机构名称：
¥ 1.0
摘要简介：用于医学成像的深度学习 (DL) 模型发展迅速。然而，DL 需要大量标记数据集来训练模型。获取大规模标记数据仍然是一个挑战，并且由于患者的多样性和不同的成像协议，多中心数据集存在异质性。域自适应 (DA) 已经开发出来将知识从标记数据域转移到图像空间或特征空间中的相关但未标记的域。DA 是一种迁移学习 (TL)，当应用于多个不同的数据集时可以提高模型的性能。目标：在这篇调查中，我们回顾了用于医学成像的最先进的基于 DL 的 DA 方法。我们旨在总结最近的进展，强调动机、挑战和机遇，并讨论未来医学成像 DA 工作的有希望的方向。方法：我们调查了 2017 年至 2020 年间来自领先生物医学期刊和会议的经过同行评审的出版物，这些出版物报告了 DA 在医学成像应用中的使用情况，并按方法、图像模态和学习场景对它们进行分组。结果：我们主要关注病理学和放射学作为应用领域。在各种 DA 方法中，我们讨论了域变换 (DT) 和潜在特征空间变换 (LFST)。我们强调了无监督 DA 在图像分割中的作用，并描述了未来的发展机会。结论：DA 已经成为一种有前途的解决方案，可以解决缺乏带注释的训练数据的问题。使用对抗技术，无监督 DA 已经取得了良好的性能，尤其是在分割任务方面。机会包括域可转移性、多模态 DA 和受益于合成数据的应用程序。
通过深度学习推进医学成像信息学...
主要关键词
相关文件推荐
