論文の概要: Recent Advances in Medical Imaging Segmentation: A Survey

• arxiv url: http://arxiv.org/abs/2505.09274v1
• Date: Wed, 14 May 2025 10:48:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.42607
• Title: Recent Advances in Medical Imaging Segmentation: A Survey
• Title（参考訳）: 医用画像セグメンテーションの最近の進歩 : サーベイ
• Authors: Fares Bougourzi, Abdenour Hadid,
• Abstract要約: ジェネレーティブAI、Few-Shot Learning、Foundation Models、Universal Modelsは、長年にわたる課題に対する有望なソリューションを提供した。 医用画像におけるセグメンテーションモデルの実用性とアクセシビリティ向上を目的とした,固有の限界,未解決問題,今後の研究方向性について論じる。
• 参考スコア（独自算出の注目度）: 7.72661433458686
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical imaging is a cornerstone of modern healthcare, driving advancements in diagnosis, treatment planning, and patient care. Among its various tasks, segmentation remains one of the most challenging problem due to factors such as data accessibility, annotation complexity, structural variability, variation in medical imaging modalities, and privacy constraints. Despite recent progress, achieving robust generalization and domain adaptation remains a significant hurdle, particularly given the resource-intensive nature of some proposed models and their reliance on domain expertise. This survey explores cutting-edge advancements in medical image segmentation, focusing on methodologies such as Generative AI, Few-Shot Learning, Foundation Models, and Universal Models. These approaches offer promising solutions to longstanding challenges. We provide a comprehensive overview of the theoretical foundations, state-of-the-art techniques, and recent applications of these methods. Finally, we discuss inherent limitations, unresolved issues, and future research directions aimed at enhancing the practicality and accessibility of segmentation models in medical imaging. We are maintaining a \href{https://github.com/faresbougourzi/Awesome-DL-for-Medical-Imaging-Segmentation}{GitHub Repository} to continue tracking and updating innovations in this field.
• Abstract（参考訳）: 医療画像は現代の医療の基盤であり、診断、治療計画、患者医療の進歩を推進している。 さまざまなタスクの中で、セグメンテーションは、データアクセシビリティ、アノテーションの複雑さ、構造的多様性、医療画像モダリティの変化、プライバシーの制約など、最も難しい問題のひとつだ。 最近の進歩にもかかわらず、堅牢な一般化とドメイン適応を達成することは、特にいくつかの提案されたモデルの資源集約的な性質とドメインの専門性への依存を考えると、大きなハードルである。 この調査では、生成AI、Few-Shot Learning、Foundation Models、Universal Modelsなどの方法論に焦点を当て、医療画像セグメンテーションの最先端の進歩について調査する。 これらのアプローチは、長年にわたる課題に対する有望な解決策を提供する。 本稿では,これらの手法の理論的基礎,最先端技術,最近の応用について概説する。 最後に,医用画像におけるセグメンテーションモデルの実用性とアクセシビリティ向上を目的とした,固有の限界,未解決問題,今後の研究方向性について論じる。 私たちは、この分野におけるイノベーションの追跡と更新を続けるために、 \href{https://github.com/faresbougourzi/Awesome-DL-for-Medical-Imaging-Segmentation}{GitHub Repository}を維持しています。

関連論文リスト

• Vision Foundation Models in Medical Image Analysis: Advances and Challenges [7.224426395050136]
  ビジョンファウンデーションモデル(VFM)は、医療画像解析の分野で大きな進歩をもたらした。 本稿では,VFMの医用画像セグメンテーションへの適応に関する現状研究について概説する。 本稿では,アダプタによる改良,知識蒸留技術,マルチスケール・コンテキスト特徴モデリングの最近の発展について論じる。
  論文  参考訳（メタデータ） (2025-02-20T14:13:46Z)
• Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
  我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。 トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。 最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
  論文  参考訳（メタデータ） (2024-12-20T17:33:35Z)
• Artificial General Intelligence for Medical Imaging Analysis [92.3940918983821]
  大規模人工知能(AGI)モデルは、様々な汎用ドメインタスクにおいて前例のない成功を収めた。 これらのモデルは、医学分野固有の複雑さとユニークな特徴から生じる顕著な課題に直面している。 このレビューは、医療画像、医療などにおけるAGIの将来的な意味についての洞察を提供することを目的としている。
  論文  参考訳（メタデータ） (2023-06-08T18:04:13Z)
• 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)
• Nuclei & Glands Instance Segmentation in Histology Images: A Narrative Review [0.5893124686141781]
  組織像における核と腺のセグメンテーションは、計算病理のワークフローにおいて重要なステップである。 現代的なハードウェアの出現により、大規模で高品質な公開データセットが最近利用可能になり、組織化された大きな課題が自動化メソッドの急増に遭遇した。 この調査では,過去5年～2022年に公表された,原子核と腺のセグメンテーションに関するAIベースの手法を解説した126の論文を深く分析した。
  論文  参考訳（メタデータ） (2022-08-26T06:52:15Z)
• Learning with Limited Annotations: A Survey on Deep Semi-Supervised Learning for Medical Image Segmentation [8.946871799178338]
  本稿では,最近提案された医用画像分割のための半教師あり学習手法について概観する。 既存のアプローチの限界と未解決の問題を分析し,議論する。
  論文  参考訳（メタデータ） (2022-07-28T15:57:46Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。