Learning with Limited Annotations: A Survey on Deep Semi-Supervised Learning for Medical Image Segmentation

要約

医療画像のセグメンテーションは、多くの画像誘導臨床アプローチにおける基本的かつ重要なステップです。
ディープラーニングベースのセグメンテーション手法の最近の成功は、通常、大量のラベル付きデータに依存しています。これは、特に専門家だけが信頼できる正確な注釈を提供できる医用画像分野では、取得が特に困難でコストがかかります。
半教師あり学習は魅力的な戦略として浮上しており、注釈が制限された深いモデルをトレーニングするための医療画像セグメンテーションタスクに広く適用されています。
この論文では、医療画像セグメンテーションのために最近提案された半教師あり学習方法の包括的なレビューを提示し、技術的な新規性と経験的結果の両方を要約しました。
さらに、既存のアプローチの制限といくつかの未解決の問題を分析して説明します。
このレビューが、研究コミュニティにこの課題の解決策を模索し、医療画像セグメンテーション分野の開発をさらに促進するきっかけとなることを願っています。

要約(オリジナル)

Medical image segmentation is a fundamental and critical step in many image-guided clinical approaches. Recent success of deep learning-based segmentation methods usually relies on a large amount of labeled data, which is particularly difficult and costly to obtain especially in the medical imaging domain where only experts can provide reliable and accurate annotations. Semi-supervised learning has emerged as an appealing strategy and been widely applied to medical image segmentation tasks to train deep models with limited annotations. In this paper, we present a comprehensive review of recently proposed semi-supervised learning methods for medical image segmentation and summarized both the technical novelties and empirical results. Furthermore, we analyze and discuss the limitations and several unsolved problems of existing approaches. We hope this review could inspire the research community to explore solutions for this challenge and further promote the developments in medical image segmentation field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google