論文の概要: Deep Learning Approaches for Medical Imaging Under Varying Degrees of Label Availability: A Comprehensive Survey
- arxiv url: http://arxiv.org/abs/2504.11588v1
- Date: Tue, 15 Apr 2025 20:06:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-17 14:37:12.000865
- Title: Deep Learning Approaches for Medical Imaging Under Varying Degrees of Label Availability: A Comprehensive Survey
- Title（参考訳）: ラベルアベイラビリティの変動にともなう医用画像の深層学習 : 総合的調査
- Authors: Siteng Ma, Honghui Du, Yu An, Jing Wang, Qinqin Wang, Haochang Wu, Aonghus Lawlor, Ruihai Dong,
- Abstract要約: この調査は、これらの領域における進化する研究を分類し、レビューし、2018年以降に約600の著名な貢献を分析している。
画像分類、セグメンテーション、および脳、胸部、心臓イメージングに限らず、様々な医療応用領域における検出などのタスクをカバーしている。
異なる学習パラダイムの形式的定義を提供し、様々な学習メカニズムと戦略の包括的要約と解釈を提供する。
- 参考スコア（独自算出の注目度）: 13.50671193697418
- License:
- Abstract: Deep learning has achieved significant breakthroughs in medical imaging, but these advancements are often dependent on large, well-annotated datasets. However, obtaining such datasets poses a significant challenge, as it requires time-consuming and labor-intensive annotations from medical experts. Consequently, there is growing interest in learning paradigms such as incomplete, inexact, and absent supervision, which are designed to operate under limited, inexact, or missing labels. This survey categorizes and reviews the evolving research in these areas, analyzing around 600 notable contributions since 2018. It covers tasks such as image classification, segmentation, and detection across various medical application areas, including but not limited to brain, chest, and cardiac imaging. We attempt to establish the relationships among existing research studies in related areas. We provide formal definitions of different learning paradigms and offer a comprehensive summary and interpretation of various learning mechanisms and strategies, aiding readers in better understanding the current research landscape and ideas. We also discuss potential future research challenges.
- Abstract（参考訳）: 深層学習は医療画像において画期的な進歩を遂げてきたが、これらの進歩は多くの場合、大きく、よく注釈付けされたデータセットに依存している。
しかし、そのようなデータセットを取得することは、医療専門家による時間と労働集約的なアノテーションを必要とするため、大きな課題となる。
その結果,不完全性,不完全性,不完全性などの学習パラダイムへの関心が高まっている。
この調査は、これらの領域における進化する研究を分類し、レビューし、2018年以降に約600の著名な貢献を分析している。
画像分類、セグメンテーション、および脳、胸部、心臓イメージングに限らず、様々な医療応用領域における検出などのタスクをカバーしている。
関連分野における既存研究の関連性を確立しようと試みる。
異なる学習パラダイムの形式的定義を提供し、様々な学習メカニズムと戦略の包括的要約と解釈を提供し、読者が現在の研究状況やアイデアをよりよく理解できるようにする。
今後の研究課題についても論じる。
関連論文リスト
- Advancing Histopathology with Deep Learning Under Data Scarcity: A Decade in Review [30.91867799522664]
病理組織学における深層学習の応用について概説する。
われわれは過去10年間にデータ不足によって引き起こされた課題に注目している。
未調査の研究機会を特定します。
論文 参考訳（メタデータ） (2024-10-18T07:29:48Z) - A Comprehensive Review of Few-shot Action Recognition [64.47305887411275]
アクション認識は、複雑で可変なビデオデータを手動でラベル付けすることのコストと非現実性に対処することを目的としている。
ビデオ中の人間のアクションを正確に分類するには、クラスごとにいくつかのラベル付き例だけを使用する必要がある。
多くのアプローチが、数発のアクション認識において顕著な進歩を導いている。
論文 参考訳（メタデータ） (2024-07-20T03:53:32Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Continual Learning in Medical Imaging: A Survey and Practical Analysis [0.7794090852114541]
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。
論文 参考訳（メタデータ） (2024-05-22T09:48:04Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - 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) - Data efficient deep learning for medical image analysis: A survey [9.385936248154987]
深層学習の急速な進化は、医用画像解析の分野を大きく進歩させた。
医用画像解析のためのディープラーニングモデルのさらなる強化は、大規模で注釈の付いたデータセットが不足しているため、大きな課題に直面している。
本稿では,医用画像解析のためのデータ効率の高い深層学習手法について,徹底的に検討する。
論文 参考訳（メタデータ） (2023-10-10T12:13:38Z) - 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) - 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) - Label-Efficient Deep Learning in Medical Image Analysis: Challenges and
Future Directions [10.502964056448283]
医用画像解析のトレーニングモデルは通常、ラベル付きデータの高価で時間を要する。
我々は最近の300以上の論文を網羅的に調査し、MIAにおけるラベル効率学習戦略の進捗状況を概観した。
具体的には、標準半教師付き、自己監督型、マルチインスタンス学習スキームだけでなく、最近出現したアクティブかつアノテーション効率の学習戦略についても詳細に調査する。
論文 参考訳（メタデータ） (2023-03-22T11:51:49Z) - 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)
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。