A Survey on Domain Generalization for Medical Image Analysis

要約

医用画像解析 (MedIA) は、特に近年のディープラーニング (DL) の進歩により、コンピューター支援診断システムにおける重要なツールとして浮上しています。
ただし、十分にトレーニングされたディープ モデルは、さまざまな医療現場、モダリティ、シーケンスに展開されると、ドメイン シフトの問題として知られる大幅なパフォーマンスの低下を経験することがよくあります。
これを考慮して、MedIA のドメイン一般化 (DG) は、未知のデータ分布全体にわたって効果的に一般化して堅牢に実行することで、ドメイン シフトの課題に対処することを目的としています。
この文書では、この分野における実質的な開発の包括的なレビューを示します。
まず、医療分野におけるドメインシフトとドメイン一般化の正式な定義を示し、いくつかの関連する設定について説明します。
続いて、データ操作レベル、特徴表現レベル、モデルトレーニングレベルの 3 つの観点から最近の手法を要約し、各観点ごとにいくつかのアルゴリズムを詳細に示します。
さらに、一般的に使用されるデータセットも紹介します。
最後に、既存の文献を要約し、将来の可能性のある研究トピックをいくつか紹介します。
この調査のために、リンク https://github.com/Ziwei-Niu/DG_for_MedIA でサポート リソースを収集して GitHub プロジェクトも作成しました。

要約(オリジナル)

Medical Image Analysis (MedIA) has emerged as a crucial tool in computer-aided diagnosis systems, particularly with the advancement of deep learning (DL) in recent years. However, well-trained deep models often experience significant performance degradation when deployed in different medical sites, modalities, and sequences, known as a domain shift issue. In light of this, Domain Generalization (DG) for MedIA aims to address the domain shift challenge by generalizing effectively and performing robustly across unknown data distributions. This paper presents the a comprehensive review of substantial developments in this area. First, we provide a formal definition of domain shift and domain generalization in medical field, and discuss several related settings. Subsequently, we summarize the recent methods from three viewpoints: data manipulation level, feature representation level, and model training level, and present some algorithms in detail for each viewpoints. Furthermore, we introduce the commonly used datasets. Finally, we summarize existing literature and present some potential research topics for the future. For this survey, we also created a GitHub project by collecting the supporting resources, at the link: https://github.com/Ziwei-Niu/DG_for_MedIA

arxiv情報

提供元, 利用サービス

arxiv.jp, Google