医学图像分类中泛化研究的系统综述
图像与视频处理
2024-10-22 v3 计算机视觉与模式识别
摘要
针对大量医学图像分析应用，已开发出众多深度学习分类模型，这有望重塑医疗实践的各个方面。尽管在深度学习模型验证与实施方面取得的早期进展鼓励医疗机构采用这些模型，一个根本性问题依然存在：这些模型如何有效应对领域偏移？这一问题对于限制深度学习模型性能退化至关重要。医学数据是动态的，且因多种因素易于发生领域偏移。随时间推移可能发生两种主要偏移类型：1) 主要由医疗设备更新引起的协变量偏移；2) 由评分者间差异引起的概念偏移。为缓解领域偏移问题，现有综述主要聚焦于领域自适应技术，且侧重于协变量偏移。更广泛而言，尚无工作在对偏移类型进行聚焦的同时综述最先进的解决方案。本文旨在通过系统文献综述，探索基于深度学习的分类模型的现有领域泛化方法。我们提出了一种基于其旨在解决的偏移类型的分类法。截至 2023 年 4 月 10 日，在 Scopus 上检索并收集论文，经资格筛选与质量评估后，确定了 77 篇文章。排除标准包括：缺乏方法学新颖性（如综述、基准测试）、基于单一单中心数据集进行的实验，或非英文撰写的文章。本文结果表明，基于学习的方法正针对两种偏移类型兴起。最后，我们讨论了未来的挑战，包括对改进的评估协议与基准的需求，以及为实现稳健、泛化的医学图像分类模型所设想的未来发展。
引用
@article{arxiv.2403.12167,
title = {A Systematic Review of Generalization Research in Medical Image Classification},
author = {Sarah Matta and Mathieu Lamard and Philippe Zhang and Alexandre Le Guilcher and Laurent Borderie and Béatrice Cochener and Gwenolé Quellec},
journal= {arXiv preprint arXiv:2403.12167},
year = {2024}
}