論文の概要: Biomedical Image Segmentation: A Systematic Literature Review of Deep Learning Based Object Detection Methods
- arxiv url: http://arxiv.org/abs/2408.03393v2
- Date: Wed, 28 Aug 2024 19:56:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-30 18:25:25.218503
- Title: Biomedical Image Segmentation: A Systematic Literature Review of Deep Learning Based Object Detection Methods
- Title（参考訳）: バイオメディカルイメージセグメンテーション:ディープラーニングに基づく物体検出手法の体系的文献レビュー
- Authors: Fazli Wahid, Yingliang Ma, Dawar Khan, Muhammad Aamir, Syed U. K. Bukhari,
- Abstract要約: 深層学習に基づく物体検出法は、バイオメディカルイメージセグメンテーションに一般的に用いられている。
既存の調査では、標準化されたアプローチやより広範なセグメンテーション技術に重点を置いていないことが多い。
これらの手法を批判的に分析し,課題を特定し,今後の方向性について考察した。
このSLRは、研究コミュニティにこれらのセグメンテーションモデルについて素早く深く理解することを目的としています。
- 参考スコア（独自算出の注目度）: 1.0043008463279772
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Biomedical image segmentation plays a vital role in diagnosis of diseases across various organs. Deep learning-based object detection methods are commonly used for such segmentation. There exists an extensive research in this topic. However, there is no standard review on this topic. Existing surveys often lack a standardized approach or focus on broader segmentation techniques. In this paper, we conducted a systematic literature review (SLR), collected and analysed 148 articles that explore deep learning object detection methods for biomedical image segmentation. We critically analyzed these methods, identified the key challenges, and discussed the future directions. From the selected articles we extracted the results including the deep learning models, targeted imaging modalities, targeted diseases, and the metrics for the analysis of the methods. The results have been presented in tabular and/or charted forms. The results are presented in three major categories including two stage detection models, one stage detection models and point-based detection models. Each article is individually analyzed along with its pros and cons. Finally, we discuss open challenges, potential benefits, and future research directions. This SLR aims to provide the research community with a quick yet deeper understanding of these segmentation models, ultimately facilitating the development of more powerful solutions for biomedical image analysis.
- Abstract（参考訳）: バイオメディカルイメージセグメンテーションは、様々な臓器の疾患の診断において重要な役割を担っている。
このようなセグメンテーションにはディープラーニングに基づく物体検出法が一般的である。
この話題には広範な研究がある。
しかし、このトピックに関する標準的なレビューはない。
既存の調査では、標準化されたアプローチやより広範なセグメンテーション技術に重点を置いていないことが多い。
本稿では, バイオメディカルイメージセグメンテーションのための深層学習物体検出手法を探求する148の論文を収集, 分析した。
これらの手法を批判的に分析し,課題を特定し,今後の方向性について考察した。
選択した論文から, ディープラーニングモデル, 対象画像のモダリティ, 対象疾患, 方法分析のための指標などの結果を抽出した。
結果は表形式および/またはチャート形式で提示されている。
結果は,2つのステージ検出モデル,1つのステージ検出モデル,ポイントベース検出モデルを含む3つの主要なカテゴリで示される。
各記事は、その長所と短所とともに個別に分析される。
最後に,オープン課題,潜在的利益,今後の研究方向性について論じる。
このSLRは、これらのセグメンテーションモデルを素早くより深く理解し、最終的にはバイオメディカル画像解析のためのより強力なソリューションの開発を促進することを目的としている。
関連論文リスト
- Deep Learning for Pancreas Segmentation: a Systematic Review [0.5714074111744111]
膵分離のための多くの深層学習モデルが近年提案されている。
腹部CTにて小径の膵分画が困難であった。
論文 参考訳（メタデータ） (2024-07-23T09:05:23Z) - Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。
さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
論文 参考訳（メタデータ） (2024-03-04T10:18:38Z) - 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) - A Systematic Review of Few-Shot Learning in Medical Imaging [1.049712834719005]
少ないショットの学習技術は、データの不足を減らし、医療画像分析を強化する。
この体系的なレビューは、医療画像における数ショット学習の概要を包括的に示すものである。
論文 参考訳（メタデータ） (2023-09-20T16:10:53Z) - Deep Learning for Computational Cytology: A Survey [12.08083533402352]
完全教師付き,弱教師付き,教師なし,伝達学習など,さまざまなディープラーニング手法を導入する。
そこで我々は,公開データセット,評価指標,分類,検出,セグメンテーション,その他の関連タスクを含む多種多様な細胞画像解析アプリケーションを体系的に要約した。
論文 参考訳（メタデータ） (2022-02-10T16:22:10Z) - Weakly Supervised Few-Shot Segmentation Via Meta-Learning [2.0962464943252934]
WeaSeL と ProtoSeg という2つの新しいメタ学習手法を提案する。
医療画像と農業リモートセンシングの異なる分野で,提案手法の広範な評価を行った。
論文 参考訳（メタデータ） (2021-09-03T18:20:26Z) - Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。
このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
論文 参考訳（メタデータ） (2021-02-07T19:12:32Z) - 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 Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z) - Deep Learning in Medical Ultrasound Image Segmentation: a Review [9.992387025633805]
これは、ヒトの組織を3Dで再構成するなど、臨床診断のための信頼性の高い基盤を提供するための重要なステップである。
深層学習に基づく超音波画像セグメンテーション法は,6つの主要群に分類される。
最後に,医療用超音波画像セグメンテーションの課題と今後の研究の方向性について論じる。
論文 参考訳（メタデータ） (2020-02-18T16:33:22Z) - Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。
深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
論文 参考訳（メタデータ） (2020-01-15T21:37:47Z)
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。