A Systematic Review of Low-Rank and Local Low-Rank Matrix Approximation in Big Data Medical Imaging

要約

医用画像データセットの容量が大きく複雑であることが、保存、送信、処理のボトルネックになっています。
これらの課題に取り組むために、低ランク行列近似 (LRMA) とその派生であるローカル LRMA (LLRMA) のアプリケーションが可能性を示しています。
文献の詳細な分析により、さまざまなイメージングモダリティに適用される LRMA および LLRMA 手法が特定され、既存の LRMA および LLRMA 手法に関連する課題と制限が解決されます。
2015 年以降、医療画像分野で LLRMA が好まれる傾向にあることに注目し、LRMA と比較して医療データ内の複雑な構造を捕捉する際の可能性と有効性を実証しています。
LLRMA で使用される浅い類似性手法の限界を認識した上で、類似性を測定するための高度なセマンティック画像セグメンテーションを提案し、類似パッチを測定する方法とその実現可能性を詳細に説明します。
LRMA と LLRMA は主に非構造化医療データに適用されることに注意し、構造化および半構造化を含むさまざまな種類の医療データにその適用を拡張することを提案します。
このホワイトペーパーでは、LRMA と LLRMA を欠損エントリのある通常のデータにどのように適用できるか、欠損値の予測における不正確さの影響とその影響についても説明します。
パッチ サイズの影響について説明し、最適なパッチ サイズを決定するためのランダム検索 (RS) の使用を提案します。
実現可能性を高めるために、ベイジアン最適化と RS を使用したハイブリッド アプローチが提案されています。これにより、医用画像処理における LRMA と LLRMA のアプリケーションが改善される可能性があります。

要約(オリジナル)

The large volume and complexity of medical imaging datasets are bottlenecks for storage, transmission, and processing. To tackle these challenges, the application of low-rank matrix approximation (LRMA) and its derivative, local LRMA (LLRMA) has demonstrated potential. A detailed analysis of the literature identifies LRMA and LLRMA methods applied to various imaging modalities, and the challenges and limitations associated with existing LRMA and LLRMA methods are addressed. We note a significant shift towards a preference for LLRMA in the medical imaging field since 2015, demonstrating its potential and effectiveness in capturing complex structures in medical data compared to LRMA. Acknowledging the limitations of shallow similarity methods used with LLRMA, we suggest advanced semantic image segmentation for similarity measure, explaining in detail how it can measure similar patches and their feasibility. We note that LRMA and LLRMA are mainly applied to unstructured medical data, and we propose extending their application to different medical data types, including structured and semi-structured. This paper also discusses how LRMA and LLRMA can be applied to regular data with missing entries and the impact of inaccuracies in predicting missing values and their effects. We discuss the impact of patch size and propose the use of random search (RS) to determine the optimal patch size. To enhance feasibility, a hybrid approach using Bayesian optimization and RS is proposed, which could improve the application of LRMA and LLRMA in medical imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google