医学图像分析的高效数据深度学习:综述
本文总结和回顾了过去五年来针对深度学习在医学图像分析领域中面临着的挑战和问题进行的一系列研究和尝试,强调了半监督和无监督深度学习在医学图像分析领域的最新进展和贡献,并讨论了未来研究的可能解决方案和技术挑战。
May, 2021
本文调查了超过 300 篇最近的论文,提供了在医学图像分析中标签有效的学习策略方面最新进展的综合概述,并深入研究了标准的半监督、自监督和多实例学习方案,以及最近出现的积极的和注释有效的学习策略。此外,文章还具有独特的特点,详细分析了领域中的当前挑战,并提出了未来研究的潜在途径。
Mar, 2023
医学图像分析中,深度学习取得了广泛成功,但标注成本高度制约了深度学习的发展,积极学习旨在选择最具信息量的样本进行标注,并尽可能使用尽量少的标记样本训练高性能模型。本综述对积极学习的核心方法、信息量评估和样本策略等进行了详细回顾,首次对积极学习与其他标签高效技术(如半监督学习、自监督学习等)的整合进行了概述,同时还重点介绍了专门针对医学图像分析的积极学习工作。最后,对积极学习在医学图像分析中的未来趋势和挑战提出了展望。
Oct, 2023
机器学习在医学影像领域取得显著进展。针对缺少标注数据,我们总结介绍了如何使用半监督、多示例、迁移学习等学习方法,特别是针对诊断和分割任务。同时,我们探讨了这些学习方法之间的联系和未来的研究机会。
Apr, 2018
该论文回顾了与医学图像分析相关的主要深度学习概念,并总结了 300 多项协同研究的成果,大部分研究在过去一年内发表。文中调查了深度学习在图像分类、物体检测、分割、注册等任务中的使用并提供了应用领域的简介。同时也探讨了未来研究的开放性挑战和方向。
Feb, 2017
这篇文章主要介绍了在医学图像分割领域中,利用卷积神经网络进行高性能分割所需要的大量高质量标注数据的问题,并且探讨了如何解决数据集缺陷,包括有限的标注和不完美的标注问题。
Aug, 2019
该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究,重点讨论了这些技术所面临的关键挑战和未来的发展趋势。
Aug, 2022
通过我们提出的方法,可以使用生成的数据训练任何深度神经网络来解决医学图像分析领域中数据不足和专家标注难题,从而提高地位监督模型和强监督模型的准确性。
Aug, 2023
本研究通过采用 DINO 框架,尤其是使用非监督式学习中的图像表示来分析了医学图像分类中的无监督深度学习性能,并证明这种方法可以在使用少量标记数据(大约每类 100 个标记样本)的情况下,取得超过现有技术的性能表现。
Apr, 2023