論文の概要: Is the medical image segmentation problem solved? A survey of current developments and future directions

• arxiv url: http://arxiv.org/abs/2508.20139v1
• Date: Wed, 27 Aug 2025 01:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:01.602296
• Title: Is the medical image segmentation problem solved? A survey of current developments and future directions
• Title（参考訳）: 医用画像のセグメンテーション問題は解決されているか? : 現況と今後の展望
• Authors: Guoping Xu, Jayaram K. Udupa, Jax Luo, Songlin Zhao, Yajun Yu, Scott B. Raymond, Hao Peng, Lipeng Ning, Yogesh Rathi, Wei Liu, You Zhang,
• Abstract要約: 医用画像のセグメンテーションの詳細なレビューを行い、過去10年間の進歩と重要な進展を追究する。 マルチスケール分析,注意機構,事前知識の統合など,基本原理について検討する。 私たちの議論は7つの重要な側面を中心に組織されています。
• 参考スコア（独自算出の注目度）: 9.248064652133491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation has advanced rapidly over the past two decades, largely driven by deep learning, which has enabled accurate and efficient delineation of cells, tissues, organs, and pathologies across diverse imaging modalities. This progress raises a fundamental question: to what extent have current models overcome persistent challenges, and what gaps remain? In this work, we provide an in-depth review of medical image segmentation, tracing its progress and key developments over the past decade. We examine core principles, including multiscale analysis, attention mechanisms, and the integration of prior knowledge, across the encoder, bottleneck, skip connections, and decoder components of segmentation networks. Our discussion is organized around seven key dimensions: (1) the shift from supervised to semi-/unsupervised learning, (2) the transition from organ segmentation to lesion-focused tasks, (3) advances in multi-modality integration and domain adaptation, (4) the role of foundation models and transfer learning, (5) the move from deterministic to probabilistic segmentation, (6) the progression from 2D to 3D and 4D segmentation, and (7) the trend from model invocation to segmentation agents. Together, these perspectives provide a holistic overview of the trajectory of deep learning-based medical image segmentation and aim to inspire future innovation. To support ongoing research, we maintain a continually updated repository of relevant literature and open-source resources at https://github.com/apple1986/medicalSegReview
• Abstract（参考訳）: 医用画像のセグメンテーションは過去20年間で急速に進歩し、主に深層学習によって推進され、多様な画像モダリティにわたる細胞、組織、臓器、病理の正確かつ効率的なデライン化を可能にした。 この進歩は根本的な疑問を提起する。現在のモデルが永続的な課題をどの程度克服し、ギャップは残るのか? 本研究は,医療画像のセグメンテーションを詳細に検討し,その進展と過去10年間の重要な進展を追究するものである。 マルチスケール解析,アテンション機構,事前知識の統合といった基本原理を,エンコーダ,ボトルネック,スキップ接続,セグメンテーションネットワークのデコーダコンポーネントにわたって検討する。 研究は,(1)教師付き学習から半教師なし学習への移行,(2)臓器のセグメンテーションから病変に焦点を当てたタスクへの移行,(3)マルチモーダリティ統合とドメイン適応の進展,(4)基礎モデルと移行学習の役割,(5)決定論的セグメンテーションから確率的セグメンテーションへの移行,(6)モデル呼び出しからセグメンテーションエージェントへの移行,(7)モデル呼び出しからセグメンテーションエージェントへの移行,の7つの重要な側面を中心に構成されている。 これらの視点は、深層学習に基づく医用画像セグメンテーションの軌跡を包括的に概観し、将来のイノベーションを刺激することを目的としている。 進行中の研究をサポートするため、私たちはhttps://github.com/apple 1986/medicalSegReviewで関連文献とオープンソースリソースの継続的に更新されたリポジトリを維持しています。

関連論文リスト

• Recent Advances in Medical Imaging Segmentation: A Survey [7.72661433458686]
  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。
  論文  参考訳（メタデータ） (2025-05-14T10:48:37Z)
• Image Segmentation in Foundation Model Era: A Survey [95.60054312319939]
  イメージセグメンテーションにおける現在の研究は、異なる特徴、課題、解決策の詳細な分析を欠いている。 本調査は、FM駆動画像セグメンテーションを中心とした最先端の研究を徹底的にレビューすることで、このギャップを埋めようとしている。 現在の研究成果の広さを包括する,300以上のセグメンテーションアプローチの概要を概観する。
  論文  参考訳（メタデータ） (2024-08-23T10:07:59Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• A scoping review on multimodal deep learning in biomedical images and texts [29.10320016193946]
  マルチモーダルディープラーニングは、バイオメディカルデータの分析と解釈に革命をもたらす可能性がある。 本研究では,5つのタスクにおけるマルチモーダル深層学習の現在の利用状況について検討した。
  論文  参考訳（メタデータ） (2023-07-14T14:08:54Z)
• Multi-organ segmentation: a progressive exploration of learning paradigms under scarce annotation [16.29982573567722]
  ディープラーニングベースのアプローチは急速に進化し、マルチ組織セグメンテーションの顕著な進歩を目の当たりにした。 しかし、複数の臓器の適切な大きさの微粒化アノテートデータセットを得ることは非常に困難で高価である。
  論文  参考訳（メタデータ） (2023-02-07T07:09:19Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付き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自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)

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。