面向医学影像的小样本学习：方法学比较与形式化数学框架
图像与视频处理
2023-06-01 v2 计算机视觉与模式识别
摘要
深度学习在处理众多机器学习任务方面已成为重要范式，并在从非结构化数据中提取特征上展现出突破性进展。尽管这一蓬勃发展之势正应用于医学图像处理领域，但依赖于问题的训练数据稀缺已成为深度学习在医疗领域轻松应用的一大障碍。为化解有限数据源，研究者已开发出可用更少数据解决机器学习问题的模型，称为“小样本学习”（Few shot learning）。小样本学习算法通过分类与分割方法从小数据集中提取特征，以解决数据局限问题。在医疗领域，某些 confidential 疾病常面临可用数据集短缺。因此，小样本学习在这一数据稀缺领域备受关注。本章阐述了小样本学习的背景与基本概览，继而描述了小样本学习的分类。本文还展示了随时间应用于医学图像分析的方法学途径比较，并说明了小样本学习在医学影像实现中的当前进展，进一步描述了该领域在医学影像中的未来前景。
引用
@article{arxiv.2305.04401,
title = {Few Shot Learning for Medical Imaging: A Comparative Analysis of Methodologies and Formal Mathematical Framework},
author = {Jannatul Nayem and Sayed Sahriar Hasan and Noshin Amina and Bristy Das and Md Shahin Ali and Md Manjurul Ahsan and Shivakumar Raman},
journal= {arXiv preprint arXiv:2305.04401},
year = {2023}
}
备注
Accepted for a Springer book chapter for a book title "Data-driven approaches to Medical Imaging"