論文の概要: A Systematic Review of Generalization Research in Medical Image Classification
- arxiv url: http://arxiv.org/abs/2403.12167v3
- Date: Tue, 17 Sep 2024 15:27:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-18 22:20:44.258815
- Title: A Systematic Review of Generalization Research in Medical Image Classification
- Title(参考訳): 医用画像分類における一般化研究の体系的レビュー
- Authors: Sarah Matta, Mathieu Lamard, Philippe Zhang, Alexandre Le Guilcher, Laurent Borderie, Béatrice Cochener, Gwenolé Quellec,
- Abstract要約: 本稿では,Deep Learning(DL)に基づく分類モデルのための既存の領域一般化手法について検討する。
それは彼らが解決しようとしているシフトタイプに基づいた分類法を提案する。
本研究の結果から,両タイプの学習手法が出現していることが示唆された。
- 参考スコア(独自算出の注目度): 36.29204574056283
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Numerous Deep Learning (DL) classification models have been developed for a large spectrum of medical image analysis applications, which promises to reshape various facets of medical practice. Despite early advances in DL model validation and implementation, which encourage healthcare institutions to adopt them, a fundamental questions remain: how can these models effectively handle domain shift? This question is crucial to limit DL models performance degradation. Medical data are dynamic and prone to domain shift, due to multiple factors. Two main shift types can occur over time: 1) covariate shift mainly arising due to updates to medical equipment and 2) concept shift caused by inter-grader variability. To mitigate the problem of domain shift, existing surveys mainly focus on domain adaptation techniques, with an emphasis on covariate shift. More generally, no work has reviewed the state-of-the-art solutions while focusing on the shift types. This paper aims to explore existing domain generalization methods for DL-based classification models through a systematic review of literature. It proposes a taxonomy based on the shift type they aim to solve. Papers were searched and gathered on Scopus till 10 April 2023, and after the eligibility screening and quality evaluation, 77 articles were identified. Exclusion criteria included: lack of methodological novelty (e.g., reviews, benchmarks), experiments conducted on a single mono-center dataset, or articles not written in English. The results of this paper show that learning based methods are emerging, for both shift types. Finally, we discuss future challenges, including the need for improved evaluation protocols and benchmarks, and envisioned future developments to achieve robust, generalized models for medical image classification.
- Abstract(参考訳): 様々な医療実践の側面を再形成することを約束する医療画像分析アプリケーションのために、多くのDeep Learning (DL)分類モデルが開発されている。
医療機関がそれを採用することを奨励するDLモデル検証と実装の進歩にもかかわらず、根本的な疑問は残る: これらのモデルはドメインシフトを効果的に扱うことができるのか?
この問題はDLモデルの性能劣化を制限するために不可欠である。
医療データは動的であり、複数の要因によりドメインシフトを起こしやすい。
2つの主要なシフトタイプは、時間とともに起こります。
1【医療機器の更新等による相変わらずの変動】
2)段階間変動による概念シフト。
ドメインシフトの問題を緩和するため、既存の調査は主にドメイン適応技術に焦点を当て、共変量シフトに重点を置いている。
より一般的には、シフトタイプに注目しながら最先端のソリューションをレビューする作業は行われていない。
本稿では,文献の体系的レビューを通じて,DLに基づく分類モデルの既存の領域一般化手法を検討することを目的とする。
それは彼らが解決しようとしているシフトタイプに基づいた分類法を提案する。
論文は2023年4月10日までスコプスで調査・収集され、適性検査と品質評価の後、77の論文が特定された。
排他的基準には、方法論的ノベルティの欠如(例えば、レビュー、ベンチマーク)、単一のモノセンターデータセットで実施された実験、英語で書かれていない記事が含まれる。
本研究の結果から,両タイプの学習手法が出現していることが示唆された。
最後に、評価プロトコルやベンチマークの改善など今後の課題について論じ、医用画像分類のための堅牢で一般化されたモデルを実現するための今後の発展を構想する。
関連論文リスト
- Recent Advances in Predictive Modeling with Electronic Health Records [73.31880579203012]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳(メタデータ) (2024-02-02T00:31:01Z) - Foundational Models in Medical Imaging: A Comprehensive Survey and
Future Vision [6.2847894163744105]
ファンデーションモデルは、広範囲の下流タスクに適応した大規模で事前訓練されたディープラーニングモデルである。
これらのモデルは、コンテキスト推論、一般化、テスト時の迅速な機能を促進する。
コンピュータビジョンの進歩に乗じて、医療画像はこれらのモデルへの関心も高まっている。
論文 参考訳(メタデータ) (2023-10-28T12:08:12Z) - Robust and Interpretable Medical Image Classifiers via Concept
Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。
具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文 参考訳(メタデータ) (2023-10-04T21:57:09Z) - Deep Learning Approaches for Data Augmentation in Medical Imaging: A
Review [2.8145809047875066]
医用画像拡張のための3種類の深部生成モデル(変分オートエンコーダ、生成対向ネットワーク、拡散モデル)に焦点をあてる。
本稿では,これらの各モデルにおける技術の現状について概説するとともに,分類,セグメンテーション,クロスモーダル翻訳など,医療画像における下流業務における活用の可能性について論じる。
我々のゴールは、医用画像増倍のための深部生成モデルの使用に関する総合的なレビューを提供することであり、医用画像解析における深部学習アルゴリズムの性能向上のためのこれらのモデルの可能性を明らかにすることである。
論文 参考訳(メタデータ) (2023-07-24T20:53:59Z) - Empirical Analysis of a Segmentation Foundation Model in Prostate
Imaging [9.99042549094606]
医療画像セグメンテーションのための基盤モデルUniverSegについて考察する。
本研究では,前立腺画像の文脈における経験的評価研究を行い,従来のタスク固有セグメンテーションモデルの訓練手法と比較する。
論文 参考訳(メタデータ) (2023-07-06T20:00:52Z) - On the Challenges and Perspectives of Foundation Models for Medical
Image Analysis [17.613533812925635]
医療基盤モデルは、幅広い下流タスクを解く上で大きな可能性を秘めている。
それらは、正確で堅牢なモデルの開発を加速し、大量のラベル付きデータを削減し、患者のデータのプライバシと機密性を維持するのに役立つ。
論文 参考訳(メタデータ) (2023-06-09T06:54:58Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳(メタデータ) (2022-09-21T12:30:05Z) - An overview of deep learning in medical imaging [0.0]
ディープラーニング(DL)システムは、幅広い分野にまたがる最先端のMLシステムである。
最近の進歩は医療分野に多大な改善をもたらす可能性がある。
近年,医療用画像用DLの分野での問題点が報告されている。
論文 参考訳(メタデータ) (2022-02-17T09:44:57Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳(メタデータ) (2021-06-25T08:32:45Z) - Domain Generalization on Medical Imaging Classification using Episodic
Training with Task Augmentation [62.49837463676111]
本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。
実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
論文 参考訳(メタデータ) (2021-06-13T03:56:59Z)
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。