論文の概要: Survey on deep learning in multimodal medical imaging for cancer
detection
- arxiv url: http://arxiv.org/abs/2312.01573v1
- Date: Mon, 4 Dec 2023 02:07:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 16:49:01.695786
- Title: Survey on deep learning in multimodal medical imaging for cancer
detection
- Title(参考訳): がん検出のためのマルチモーダル医療画像の深層学習に関する調査
- Authors: Yan Tian, Zhaocheng Xu, Yujun Ma, Weiping Ding, Ruili Wang, Zhihong
Gao, Guohua Cheng, Linyang He, Xuran Zhao
- Abstract要約: マルチモーダルがん検出は、がん診断の鍵となる研究手法の1つである。
深層学習に基づく物体検出は, 意味的特徴抽出と非線形機能適合の強さから, 顕著な発展を遂げている。
病変の形態的相違、患者間変異、アノテーションの難しさ、画像アーティファクトが原因で、マルチモーダルがんの検出は依然として困難である。
- 参考スコア(独自算出の注目度): 15.304299929182486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The task of multimodal cancer detection is to determine the locations and
categories of lesions by using different imaging techniques, which is one of
the key research methods for cancer diagnosis. Recently, deep learning-based
object detection has made significant developments due to its strength in
semantic feature extraction and nonlinear function fitting. However, multimodal
cancer detection remains challenging due to morphological differences in
lesions, interpatient variability, difficulty in annotation, and imaging
artifacts. In this survey, we mainly investigate over 150 papers in recent
years with respect to multimodal cancer detection using deep learning, with a
focus on datasets and solutions to various challenges such as data annotation,
variance between classes, small-scale lesions, and occlusion. We also provide
an overview of the advantages and drawbacks of each approach. Finally, we
discuss the current scope of work and provide directions for the future
development of multimodal cancer detection.
- Abstract(参考訳): マルチモーダルがん検出のタスクは、がん診断の重要な研究方法の1つである異なるイメージング技術を用いて、病変の位置と分類を決定することである。
近年, 深層学習に基づく物体検出は, 意味的特徴抽出と非線形機能適合の強さから, 顕著な発展を遂げている。
しかし, 病変の形態的差異, 患者間変異, アノテーションの難しさ, 画像所見などにより, マルチモーダル癌検出はいまだに困難である。
本研究では,近年,深層学習を用いたマルチモーダル癌検出に関する150以上の論文を主に調査し,データアノテーションやクラス間の差異,小規模病変,閉塞など,さまざまな課題に対するデータセットと解決策に焦点を当てた。
また、それぞれのアプローチの利点と欠点の概要も提供します。
最後に,現在の作業範囲について考察し,マルチモーダル癌検出の今後の発展に向けた方向性を示す。
関連論文リスト
- Towards Universal Unsupervised Anomaly Detection in Medical Imaging [13.161402789616004]
現実的な擬似健康再構築を実現するために,新しい教師なし異常検出手法であるtextitReversed Auto-Encoders (RA) を提案する。
提案手法は, 脳のMRI, 小児手首X線, 胸部X線など, 様々な画像モダリティにまたがって評価される。
医用画像の診断精度は, より広い範囲の未知の病態を同定することによって向上する可能性がある。
論文 参考訳(メタデータ) (2024-01-19T11:35:07Z) - Large-scale Long-tailed Disease Diagnosis on Radiology Images [59.37561810438641]
本研究では,放射線画像における大規模大語彙疾患分類の問題点について検討する。
i)データセット構築では、39,026ケース(192,675スキャン)を含む930のユニークなICD-10-CMコードとリンクした5568の障害を含む、学術的にアクセス可能な大規模診断データセットを構築します。
さらに,本研究の最終モデルは事前学習モデルとして機能し,様々な外部データセットの診断に役立てることができる。
論文 参考訳(メタデータ) (2023-12-26T18:20:48Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Gravity Network for end-to-end small lesion detection [50.38534263407915]
本稿では,医療画像の小さな病変を特異的に検出するワンステージエンド・ツー・エンド検出器を提案する。
小さな病変の正確な局在化は、その外観と、それらが見つかる様々な背景によって困難を呈する。
この新たなアーキテクチャをGravityNetと呼び、新しいアンカーを重力点と呼ぶ。
論文 参考訳(メタデータ) (2023-09-22T14:02:22Z) - CAMIL: Context-Aware Multiple Instance Learning for Cancer Detection and
Subtyping in Whole Slide Images [0.0]
がん診断のためのコンテキスト認識型マルチインスタンス学習(CAMIL)アーキテクチャを提案する。
CAMILは、隣接する制約のある注意を取り入れ、WSI(Whole Slide Images)内のタイル間の依存関係を考慮し、MILモデルに事前知識としてコンテキスト制約を統合する。
CAMILは非小細胞肺癌 (TCGA-NSCLC) とリンパ節転移を認め, それぞれ0.959%, 0.975%であった。
論文 参考訳(メタデータ) (2023-05-09T10:06:37Z) - Computer-Aided Cancer Diagnosis via Machine Learning and Deep Learning:
A comparative review [0.0]
腫瘍や組織を早期に検出する上で,大幅な改善が見られた。
画像における大きな相違点に関連するがん研究の課題について論じる。
肺・乳癌・皮膚がんの分野では,いくつかの顕著な結果が得られている。
論文 参考訳(メタデータ) (2022-10-19T19:30:56Z) - Metastatic Cancer Outcome Prediction with Injective Multiple Instance
Pooling [1.0965065178451103]
我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。
結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。
本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
論文 参考訳(メタデータ) (2022-03-09T16:58:03Z) - A Review of Generative Adversarial Networks in Cancer Imaging: New
Applications, New Solutions [12.1951719081621]
コンピュータビジョンにおけるGAN(Generative Adrial Networks)の最近の進歩は、がんの検出と解析における機能強化の基礎となるかもしれない。
データ不足や不均衡など,がん画像の多くの重要な課題に対処するために,GANの可能性を評価した。
本稿では,ガン画像に応用された既存のGANの文献を批判的に評価するとともに,これらの課題に対処するための今後の研究方向性について提案する。
論文 参考訳(メタデータ) (2021-07-20T14:57:51Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z) - Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement
and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。
我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。
我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文 参考訳(メタデータ) (2020-02-22T14:32:04Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。