論文の概要: Continual Learning in Medical Imaging: A Survey and Practical Analysis
- arxiv url: http://arxiv.org/abs/2405.13482v2
- Date: Tue, 01 Oct 2024 08:04:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-02 16:32:36.891042
- Title: Continual Learning in Medical Imaging: A Survey and Practical Analysis
- Title（参考訳）: 医用画像における連続的学習 : 調査と実践分析
- Authors: Mohammad Areeb Qazi, Anees Ur Rehman Hashmi, Santosh Sanjeev, Ibrahim Almakky, Numan Saeed, Camila Gonzalez, Mohammad Yaqub,
- Abstract要約: 連続学習は、ニューラルネットワークにおける過去の学習を忘れずに、新しい知識のシーケンシャルな獲得を可能にするという約束を提供する。
医学領域における継続的な学習に関する最近の文献を概観し、最近の傾向を概説し、実際的な問題点を指摘する。
医療画像における継続的な学習の現状を批判的に論じる。
- 参考スコア（独自算出の注目度）: 0.7794090852114541
- License:
- Abstract: Deep Learning has shown great success in reshaping medical imaging, yet it faces numerous challenges hindering widespread application. Issues like catastrophic forgetting and distribution shifts in the continuously evolving data stream increase the gap between research and applications. Continual Learning offers promise in addressing these hurdles by enabling the sequential acquisition of new knowledge without forgetting previous learnings in neural networks. In this survey, we comprehensively review the recent literature on continual learning in the medical domain, highlight recent trends, and point out the practical issues. Specifically, we survey the continual learning studies on classification, segmentation, detection, and other tasks in the medical domain. Furthermore, we develop a taxonomy for the reviewed studies, identify the challenges, and provide insights to overcome them. We also critically discuss the current state of continual learning in medical imaging, including identifying open problems and outlining promising future directions. We hope this survey will provide researchers with a useful overview of the developments in the field and will further increase interest in the community. To keep up with the fast-paced advancements in this field, we plan to routinely update the repository with the latest relevant papers at https://github.com/BioMedIA-MBZUAI/awesome-cl-in-medical .
- Abstract（参考訳）: Deep Learningは医療画像の再構成で大きな成功を収めているが、幅広い応用を妨げる多くの課題に直面している。
相変わらず進化を続けるデータストリームにおける破滅的な忘れ込みや分散シフトといった問題は、研究とアプリケーションの間のギャップを増大させます。
Continual Learningは、ニューラルネットワークにおける過去の学習を忘れずに、新たな知識のシーケンシャルな獲得を可能にすることで、これらのハードルに対処する上での約束を提供する。
本調査では,医学領域における継続的な学習に関する最近の文献を概観し,最近の傾向を概観し,実際的な問題点を指摘する。
具体的には,医学領域における分類,分節,検出,その他の課題に関する継続的な学習研究について調査する。
さらに、レビュー研究のための分類学を開発し、課題を特定し、それらを克服するための洞察を提供する。
また,医療画像における継続的な学習の現状についても批判的に議論し,オープンな問題を特定し,将来的な方向性を概説する。
この調査は、研究者にこの分野の発展に関する有用な概要を提供し、コミュニティへの関心をさらに高めることを願っている。
この分野での急速な進展に追随するため、私たちは、最新の関連論文をhttps://github.com/BioMedIA-MBzuAI/awesome-cl-in-medical で定期的に更新する予定です。
関連論文リスト
- A Survey of Neural Code Intelligence: Paradigms, Advances and Beyond [84.95530356322621]
この調査は、コードインテリジェンスの発展に関する体系的なレビューを示す。
50以上の代表モデルとその変種、20以上のタスクのカテゴリ、および680以上の関連する広範な研究をカバーしている。
発達軌道の考察に基づいて、コードインテリジェンスとより広範なマシンインテリジェンスとの間の新たな相乗効果について検討する。
論文 参考訳（メタデータ） (2024-03-21T08:54:56Z) - A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
蓄積とは、以前に獲得した知識の喪失または劣化を指す。
フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
論文 参考訳（メタデータ） (2023-07-16T16:27:58Z) - Medical image registration using unsupervised deep neural network: A
scoping literature review [0.9527960631238173]
医学において、画像登録は画像誘導的介入やその他の臨床応用において不可欠である。
ディープニューラルネットワークの実装は、画像登録を少ない時間で高精度に行うなど、いくつかの医療応用の機会を提供する。
論文 参考訳（メタデータ） (2022-08-03T03:11:34Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - Transformers in Medical Imaging: A Survey [88.03790310594533]
トランスフォーマーはいくつかのコンピュータビジョン問題に適用され、最先端の結果が得られた。
医療画像はまた、局所受容野を持つCNNと比較して、グローバルな文脈を捉えられるトランスフォーマーへの関心が高まっている。
本稿では,最近提案された建築設計から未解決問題に至るまで,医療画像におけるトランスフォーマーの応用について概説する。
論文 参考訳（メタデータ） (2022-01-24T18:50:18Z) - Deep Long-Tailed Learning: A Survey [163.16874896812885]
ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。
長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。
本稿では,近年の長期学習の進歩を包括的に調査する。
論文 参考訳（メタデータ） (2021-10-09T15:25:22Z) - A review of deep learning in medical imaging: Imaging traits, technology
trends, case studies with progress highlights, and future promises [27.16172003905426]
医用画像の特徴を最初に提示し,臨床ニーズと医用画像の技術的課題の両方を強調した。
次に, デジタル診断, 胸部, 脳, 心血管, 腹部画像検査など, 臨床現場で一般的に見られるいくつかの症例について報告する。
論文 参考訳（メタデータ） (2020-08-02T14:26:13Z) - Deep Learning for Anomaly Detection: A Review [150.9270911031327]
本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。
我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
論文 参考訳（メタデータ） (2020-07-06T02:21:16Z) - A Survey on Incorporating Domain Knowledge into Deep Learning for
Medical Image Analysis [38.90186125141749]
医療データセットの小型化は、ディープラーニングにおいて依然として大きなボトルネックとなっている。
従来のアプローチでは、移動学習を通じて自然画像からの情報を活用していた。
近年の研究では、医師の知識を活用して、医師の訓練方法に似たネットワークを構築している。
論文 参考訳（メタデータ） (2020-04-25T14:27:47Z) - Medical Image Registration Using Deep Neural Networks: A Comprehensive
Review [1.2425910171551517]
ディープニューラルネットワークを用いた医用画像登録に関する最新の文献を紹介する。
レビューは体系的であり、以前この分野で出版されたすべての関連作品を含んでいる。
このレビューは、最先端の文献を調査し、将来的な文献に貢献しようとする、現場で活動している読者の深い理解と洞察を可能にする。
論文 参考訳（メタデータ） (2020-02-09T17:22:05Z)
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。