Application of belief functions to medical image segmentation: A review

要約

不確実性の調査は、医療画像のセグメンテーションなどのリスククリティカルなアプリケーションにおいて非常に重要です。
不確実性分析と複数の証拠の融合のための正式なフレームワークである信念関数理論は、特にディープラーニングの開発以来、医療分野で大きな貢献をしてきました。
信念関数理論による医用画像セグメンテーションは、臨床診断および医用画像研究において大きな利点を示しています。
この論文では、信念関数理論を使用した医用画像セグメンテーション方法のレビューを提供します。
融合ステップに従って方法を分類し、不確実性または不正確な情報がどのようにモデル化され、信念関数理論と融合されるかを説明します。
さらに、現在の信念関数に基づく医用画像セグメンテーションの課題と制限について説明し、将来の研究の方向性を提案します。
将来の研究では、信念関数理論と深層学習の両方を調査して、より有望で信頼性の高いセグメンテーション結果を達成することができます。

要約(オリジナル)

The investigation of uncertainty is of major importance in risk-critical applications, such as medical image segmentation. Belief function theory, a formal framework for uncertainty analysis and multiple evidence fusion, has made significant contributions in the medical domain, especially since the development of deep learning. Medical image segmentation with belief function theory has shown significant benefits in clinical diagnosis and medical image research. In this paper, we provide a review of medical image segmentation methods using belief function theory. We classify the methods according to the fusion step and explain how information with uncertainty or imprecision is modeled and fused with belief function theory. In addition, we discuss the challenges and limitations of present belief function-based medical image segmentation and propose orientations for future research. Future research could investigate both belief function theory and deep learning to achieve more promising and reliable segmentation results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google