有限注释的学习:对医疗图像细分深度半监督学习的调查
Rushi Jiao1, Yichi Zhang2, Le Ding3
1School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai, 200240, China; School of Engineering Medicine, Beihang University, Beijing, 100191, China; Shanghai Artificial Intelligence Laboratory, Shanghai, 200232, China.
Computers in biology and medicine
|December 29, 2023
概括
本综述探讨了用于医疗图像细分的半监督学习,解决了有限的专家注释的挑战. 它总结了最近的方法,讨论了局限性,并建议了未来的研究方向.
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:
- 医学图像细分对于图像引导的临床应用至关重要.
- 深度学习模型需要大量的标记数据,这在医学成像中是稀缺和昂贵的.
- 半监督学习通过使用有限的注释提供了一个解决方案.
研究的目的:
- 为医疗图像细分提供最近半监督学习方法的全面审查.
- 总结该领域的技术创新和经验发现.
- 确定未来研究的局限性和挑战.
主要方法:
- 应用到医疗图像细分的半监督学习技术的系统文献综述.
- 基于技术方法对现有方法进行分类和分析.
- 综合报告的实验结果和性能指标.
主要成果:
- 针对医疗图像细分而定制的各种半监督学习策略的概述.
- 概述不同方法的有效性和局限性.
- 识别共同的挑战,如数据异质性和注释质量.
结论:
- 半监督学习是医疗图像细分的有希望的策略,数据有限.
- 需要进一步的研究来解决现有的局限性,并提高模型的稳定性.
- 本综述旨在指导该领域的未来研究和开发.
