对医学图像分类中的概括研究进行系统审查

科学领域:

• 医学图像分析 医学图像分析
• 医疗保健中的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 深度学习 (DL) 模型越来越多地用于医学图像分析,但由于域移动,它们的性能下降.
• 医疗数据的领域转移源于设备变化 (共变量转移) 和不同的解释 (概念转移) 等因素.
• 现有的研究往往侧重于域名适应,有限的评论解决域名泛化跨不同的转移类型.

研究的目的:

• 系统地审查医疗成像中基于DL的分类模型的现有域泛化方法.
• 根据这些方法所涉及的领域转移类型 (共变量与概念转移) 提出这些方法的分类.
• 识别新兴趋势和未来的挑战,以实现强大的和通用的医学图像分类模型.

主要方法:

• 医学图像分类的DL域概括技术的系统文献综述.
• 斯科普斯数据库搜索进行到2023年4月10日.
• 77篇确定文章的资格选和质量评估,不包括评论,基准,单中心研究和非英语论文.

主要成果:

• 根据其对共变量和概念转移的方法确定和分类域泛化方法.
• 基于学习的方法正在成为解决两种类型的领域转移的有希望的方向.
• 审查强调了医疗DL模型需要改进的评估协议和基准.

结论:

• 域泛化对于在医学成像中可靠部署DL模型至关重要.
• 基于学习的方法显示了创建能够处理领域转移的强大模型的潜力.
• 需要进一步的研究来开发标准化的评估方法和基准,以确保可通用性.