医学影像中少样本学习的系统性综述

标注医学图像的缺乏限制了深度学习模型的性能，而此类模型通常需要大规模标注数据集。少样本学习技术可缓解数据稀缺问题并增强医学图像分析，尤其是借助元学习。本系统性综述全面概述了医学影像中的少样本学习。我们系统性检索文献并筛选出 2018 至 2023 年发表的 80 篇相关文章。我们根据医学结果（如肿瘤分割、疾病分类和图像配准）、所研究的解剖结构（即心脏、肺等）以及所用元学习方法对文章进行聚类。针对每个聚类，我们考察了论文分布及当前最优方法给出的结果。此外，我们识别出所有研究共有的通用流程。该综述表明，少样本学习可在大多数结果上克服数据稀缺，且元学习因能用少量标注样本适应新任务而成为执行少样本学习的热门选择。此外，在元学习之后，监督学习与半监督学习作为应对医学影像少样本学习挑战的主要技术脱颖而出，且性能最佳。最后，我们观察到主要应用领域集中于心脏、肺部和腹部。本系统性综述旨在启发进一步研究以改进医学图像分析与患者照护。