論文の概要: PINNs for Medical Image Analysis: A Survey
- arxiv url: http://arxiv.org/abs/2408.01026v1
- Date: Fri, 2 Aug 2024 05:50:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-05 14:26:49.211590
- Title: PINNs for Medical Image Analysis: A Survey
- Title（参考訳）: 医用画像解析のためのPINN
- Authors: Chayan Banerjee, Kien Nguyen, Olivier Salvado, Truyen Tran, Clinton Fookes,
- Abstract要約: 医用画像解析(PIMIA)専用の物理インフォームド手法に関する80以上の論文の体系的な文献レビューを報告する。
本稿では,物理知識とプロセスのモデル化,表現方法,MIAモデルへの統合戦略について検討する。
PIMIAにおける重要なオープンな課題として、適切な物理の事前選択や標準化されたベンチマークプラットフォームの構築を挙げる。
- 参考スコア（独自算出の注目度）: 31.299669458601432
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The incorporation of physical information in machine learning frameworks is transforming medical image analysis (MIA). By integrating fundamental knowledge and governing physical laws, these models achieve enhanced robustness and interpretability. In this work, we explore the utility of physics-informed approaches for MIA (PIMIA) tasks such as registration, generation, classification, and reconstruction. We present a systematic literature review of over 80 papers on physics-informed methods dedicated to MIA. We propose a unified taxonomy to investigate what physics knowledge and processes are modelled, how they are represented, and the strategies to incorporate them into MIA models. We delve deep into a wide range of image analysis tasks, from imaging, generation, prediction, inverse imaging (super-resolution and reconstruction), registration, and image analysis (segmentation and classification). For each task, we thoroughly examine and present in a tabular format the central physics-guided operation, the region of interest (with respect to human anatomy), the corresponding imaging modality, the dataset used for model training, the deep network architecture employed, and the primary physical process, equation, or principle utilized. Additionally, we also introduce a novel metric to compare the performance of PIMIA methods across different tasks and datasets. Based on this review, we summarize and distil our perspectives on the challenges, open research questions, and directions for future research. We highlight key open challenges in PIMIA, including selecting suitable physics priors and establishing a standardized benchmarking platform.
- Abstract（参考訳）: 機械学習フレームワークにおける物理情報の取り込みは、医療画像分析(MIA)の変換である。
基本的な知識と物理法則を統合することにより、これらのモデルは強化された堅牢性と解釈可能性を達成する。
本研究では,登録,生成,分類,再構築などのMIA(PIMIA)タスクに対する物理インフォームドアプローチの有用性について検討する。
本報告では,MIA専用の物理インフォームド手法に関する80以上の論文について,系統的な文献レビューを行う。
本稿では,物理知識とプロセスのモデル化,表現方法,MIAモデルへの統合戦略について検討する。
画像処理,生成,予測,逆画像(超解像と再構成),登録,画像解析(分離と分類)など,幅広い画像解析タスクを深く掘り下げる。
各タスクについて,中心的な物理誘導操作,関心領域(人体解剖学),対応する画像モダリティ,モデルトレーニングに用いるデータセット,深層ネットワークアーキテクチャ,物理過程,方程式,原理を表形式で網羅的に検討し,提示する。
さらに、異なるタスクやデータセット間でPIMIAメソッドのパフォーマンスを比較するための新しいメトリクスも導入する。
本レビューに基づき,今後の課題,オープンな研究課題,今後の研究の方向性について,私たちの視点を要約し,無視する。
PIMIAにおける重要なオープンな課題として、適切な物理の事前選択や標準化されたベンチマークプラットフォームの構築を挙げる。
関連論文リスト
- Masked Image Modeling: A Survey [73.21154550957898]
マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。
我々は近年,分類学を構築し,最も顕著な論文をレビューしている。
我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
論文 参考訳（メタデータ） (2024-08-13T07:27:02Z) - Advances in Diffusion Models for Image Data Augmentation: A Review of Methods, Models, Evaluation Metrics and Future Research Directions [6.2719115566879236]
拡散モデル(DM)は画像データ拡張のための強力なツールとして登場した。
DMは、基礎となるデータ分布を学習することで、現実的で多様な画像を生成する。
この分野における現在の課題と今後の研究方向性について論じる。
論文 参考訳（メタデータ） (2024-07-04T18:06:48Z) - From Pixels to Insights: A Survey on Automatic Chart Understanding in the Era of Large Foundation Models [98.41645229835493]
グラフ形式のデータの可視化は、データ分析において重要な役割を担い、重要な洞察を提供し、情報的な意思決定を支援する。
大規模言語モデルのような大規模な基盤モデルは、様々な自然言語処理タスクに革命をもたらした。
本研究は,自然言語処理,コンピュータビジョン,データ解析の分野における研究者や実践者の包括的資源として機能する。
論文 参考訳（メタデータ） (2024-03-18T17:57:09Z) - A Review of Physics-Informed Machine Learning Methods with Applications
to Condition Monitoring and Anomaly Detection [1.124958340749622]
PIMLは、既知の物理法則と制約を機械学習アルゴリズムに組み込んだものである。
本研究では,条件モニタリングの文脈におけるPIML技術の概要を概観する。
論文 参考訳（メタデータ） (2024-01-22T11:29:44Z) - 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) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-09-27T14:39:41Z) - Physics-Informed Machine Learning for Modeling and Control of Dynamical
Systems [0.0]
物理インフォームド機械学習(英: Physics-informed machine learning、PIML)は、機械学習(ML)アルゴリズムを物理的制約と体系的に統合する手法とツールのセットである。
PIMLの基本前提は、MLと物理の統合により、より効率的で、物理的に一貫性があり、データ効率のよいモデルが得られることである。
本稿では,動的システムモデリングと制御のためのPIMLの最近の進歩について,チュートリアルのような概要を提供する。
論文 参考訳（メタデータ） (2023-06-24T05:24:48Z) - Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。
機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。
本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
論文 参考訳（メタデータ） (2022-07-26T02:10:15Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - How can we learn (more) from challenges? A statistical approach to
driving future algorithm development [1.0690055408831725]
本稿では,課題から学習し,腹腔鏡ビデオにおけるインスタンスセグメンテーションの具体的タスクをインスタンス化する統計フレームワークを提案する。
2,728枚の画像から51,542個のメタデータを抽出し,ロバスト・メディカル・インスツルメンツ・チャレンジ(ROBUST-MIS)の結果に適用した。
提案手法の開発は,従来の手法が失敗する傾向にあった画像の処理において,最先端の総合的性能と具体的な強みを有する深層学習モデルを得た。
論文 参考訳（メタデータ） (2021-06-17T08:12:37Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z)
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。