基于深度学习方法和联合学习技术的脑瘤细分的审查
Md Faysal Ahamed1, Md Munawar Hossain2, Md Nahiduzzaman2
1Department of Computer Science & Engineering, Rajshahi University of Engineering & Technology, Rajshahi 6204, Bangladesh.
概括
自动化深度学习方法为人工脑瘤细分提供了更快,更准确的替代方案. 本综述调查了有效的技术和联合学习方法,以提高医学成像中的性能和隐私.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 手动脑瘤细分是耗时的,容易出错的,而且成本高昂.
- 深度学习显示了医疗成像中自动细分的前景.
- 准确的脑瘤细分对于诊断和治疗计划至关重要.
研究的目的:
- 审查基于深度学习的有效脑瘤细分技术.
- 调查联合学习方法,以提高细分性能和隐私.
- 为了确定当前的挑战和未来的研究方向在脑瘤细分.
主要方法:
- 关于大脑瘤细分的100多篇论文的综合文献评论.
- 分析广泛使用和公开可用的数据集.
- 对多模式医学图像分析的联合学习方法的调查.
主要成果:
- 确定了有效的深度学习细分技术.
- 强调了联合学习在保护隐私,协作模式培训方面的潜力.
- 总结了当前的挑战,包括数据异质性和模型通用性.
结论:
- 深度学习为自动化脑瘤细分提供了显著的优势.
- 联合学习为提高全球细分精度,同时保护患者隐私提供了一个有希望的途径.
- 需要进一步的研究来解决尚未解决的问题,并优化联合模型培训策略.
