Data efficient deep learning for medical image analysis: A survey

要約

ディープラーニングの急速な進化により、医療画像解析の分野は大きく進歩しました。
しかし、これらの成果にもかかわらず、十分に注釈が付けられた大規模なデータセットが不足しているため、医用画像分析用の深層学習モデルをさらに強化することは大きな課題に直面しています。
この問題に対処するために、近年、データ効率の高い深層学習手法の開発がますます重視されています。
この論文では、医療画像分析のためのデータ効率の高いディープラーニング手法を徹底的にレビューします。
この目的を達成するために、私たちはこれらの手法を、依存する監督のレベルに基づいて分類し、監督なし、不正確な監督、不完全な監督、不正確な監督、限定的な監督のみなどのカテゴリーを網羅します。
これらのカテゴリをさらに細かいサブカテゴリに分割します。
たとえば、不正確な監視を複数のインスタンスの学習と弱いアノテーションを使用した学習に分類します。
同様に、不完全な教師を半教師あり学習、能動学習、ドメイン適応学習などに分類します。
さらに、医用画像解析におけるデータ効率の高い深層学習のために一般的に使用されるデータセットを系統的にまとめ、今後の研究の方向性を検討して本調査を終了します。

要約(オリジナル)

The rapid evolution of deep learning has significantly advanced the field of medical image analysis. However, despite these achievements, the further enhancement of deep learning models for medical image analysis faces a significant challenge due to the scarcity of large, well-annotated datasets. To address this issue, recent years have witnessed a growing emphasis on the development of data-efficient deep learning methods. This paper conducts a thorough review of data-efficient deep learning methods for medical image analysis. To this end, we categorize these methods based on the level of supervision they rely on, encompassing categories such as no supervision, inexact supervision, incomplete supervision, inaccurate supervision, and only limited supervision. We further divide these categories into finer subcategories. For example, we categorize inexact supervision into multiple instance learning and learning with weak annotations. Similarly, we categorize incomplete supervision into semi-supervised learning, active learning, and domain-adaptive learning and so on. Furthermore, we systematically summarize commonly used datasets for data efficient deep learning in medical image analysis and investigate future research directions to conclude this survey.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google