在医学成像中进行无监督域调整的深度学习:最近的进展和未来的前景
Suruchi Kumari1, Pravendra Singh1
1Department of Computer Science and Engineering, Indian Institute of Technology Roorkee, India.
Computers in biology and medicine
|January 14, 2024
概括
医学成像中的深度学习面临着不同数据分布的挑战. 审查了无监督域适应 (UDA) 方法,以改善不同数据集的模型性能.
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:
- 医疗成像中的监督深度学习假设数据分布一致,这在现实世界中往往是失败的.
- 无监督域名适应 (UDA) 通过将知识从标记的域名转移到未标记的域名来解决这个问题.
- 最近的UDA进步包括特征对齐,图像翻译,自我监督和解的表示.
研究的目的:
- 为医疗成像中最近的深度无监督域适应 (UDA) 方法提供全面的技术审查.
- 将UDA研究分为六个主要组,根据任务分为更细微的子类别.
- 讨论用于评估领域分歧的数据集,并确定未来的研究方向.
主要方法:
- 将UDA技术分为六组:特征对齐,图像翻译,自我监督,解的表示等.
- 基于医学成像中的特定任务的方法分析.
- 审查用于量化域转移和评估UDA性能的数据集.
主要成果:
- 识别用于医学成像任务的各种UDA方法.
- 目前的UDA研究格局的系统分类.
- 讨论域差异对模型通用性的影响.
结论:
- 在医疗成像中,UDA对于强大的深度学习至关重要,因为数据分布不同.
- 该综述提供了对UDA技术及其应用的结构化概述.
- 突出了医疗成像UDA的新兴领域和未来研究方向.
