Anomaly Detection in Medical Imaging — A Mini Review

要約

医療画像のデジタル化が進むことで、病変の検出、視覚化、セグメント化における機械学習ベースの改善が可能になり、医療専門家の作業負荷が軽減されます。
ただし、教師あり機械学習には信頼性の高いラベル付きデータが必要ですが、多くの場合、収集が困難または不可能であるか、少なくとも時間がかかり、コストがかかります。
したがって、部分的にラベル付けされたデータのみを必要とする方法 (半教師あり)、またはまったくラベル付けを必要としない方法 (教師なし方法) が、より定期的に適用されるようになりました。
異常検出は、半教師ありおよび教師なしの方法を活用して、分類やセグメンテーションなどの医用画像タスクを処理できる方法論の 1 つです。
このホワイトペーパーでは、医用画像処理における異常検出に関する関連論文のほぼ徹底的な文献レビューを使用して、アプリケーションを分類し、重要な結果を強調し、得られた教訓を確立し、医用画像処理における異常検出へのアプローチ方法についてさらなるアドバイスを提供します。
定性分析は Google の学者と 4 つの異なる検索用語に基づいており、結果として 120 の異なる論文が分析されました。
主な結果は、現在の研究の主な動機がラベル付きデータの必要性を減らすことであることを示しました。
また、脳 MRI 分野で成功した相当量の研究は、OCT や胸部 X 線などのさらなる分野でも応用できる可能性を示しています。

要約(オリジナル)

The increasing digitization of medical imaging enables machine learning based improvements in detecting, visualizing and segmenting lesions, easing the workload for medical experts. However, supervised machine learning requires reliable labelled data, which is is often difficult or impossible to collect or at least time consuming and thereby costly. Therefore methods requiring only partly labeled data (semi-supervised) or no labeling at all (unsupervised methods) have been applied more regularly. Anomaly detection is one possible methodology that is able to leverage semi-supervised and unsupervised methods to handle medical imaging tasks like classification and segmentation. This paper uses a semi-exhaustive literature review of relevant anomaly detection papers in medical imaging to cluster into applications, highlight important results, establish lessons learned and give further advice on how to approach anomaly detection in medical imaging. The qualitative analysis is based on google scholar and 4 different search terms, resulting in 120 different analysed papers. The main results showed that the current research is mostly motivated by reducing the need for labelled data. Also, the successful and substantial amount of research in the brain MRI domain shows the potential for applications in further domains like OCT and chest X-ray.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google