Rapid Model Architecture Adaption for Meta-Learning
University of Cambridge（剑桥大学）；Shenzhen Institute of Advanced Technology, CAS（中国科学院深圳先进技术研究院）；Microsoft Research（微软研究院）
网络体系结构搜索（NAS）方法最近受到了广泛关注。与传统的手动调优相比，他们设计的网络具有更好的性能，并且使用更短的搜索时间。尽管它们在模型部署中效率很高，但大多数NAS算法都针对固定硬件系统上的单个任务。然而，现实生活中的少样本学习环境通常覆盖大量任务（T）和各种硬件平台（H）上的部署。组合搜索复杂度T乘以H产生了基本的搜索效率挑战，如果一个人天真地将现有的NAS方法应用于这些场景。为了克服这个问题，我们展示了，第一次，如何快速适应模型架构的新任务，在多任务多硬件少样本学习设置集成模型不可知元学习（MAML）到NAS流。建议的NAS方法（H-Meta-NAS）是硬件感知的，并在MAML框架中进行优化。在具有各种硬件平台和约束的流行少样本学习基准测试中，与各种NAS和手动基线相比，H-Meta-NAS显示出帕累托优势。特别是，在5路1次Mini-ImageNet分类任务中，所提出的方法在计算量减少60%的情况下大幅优于最佳手动基线（准确率为5.21%）。
2021-09-10 cs.LG
Predicting Scores of Medical Imaging Segmentation Methods with Meta-Learning
Eindhoven University of Technology（埃因霍温理工大学）
深度学习为许多医学成像任务带来了最先进的结果，例如不同解剖结构的分割。随着深度学习出版物和公开代码数量的增加，为新任务选择模型的方法变得更加复杂，而时间和（计算）资源是有限的。有效选择模型的一种可能的解决方案是元学习，这是一种学习方法，其中模型的先前性能用于预测新任务的性能。我们研究了在不同器官和模态的十个数据集上进行分割的元学习。我们提出了四种通过元特征来表示每个数据集的方法：一种基于图像的统计特征，三种基于深度学习特征。我们使用支持向量回归和深度神经网络来学习元特征和先验模型性能之间的关系。在三个外部测试数据集上，这些方法给出的Dice分数与真实性能相差在0.10以内。这些结果证明了元学习在医学成像中的潜力。
2020-05-08 cs.LG eess.IV
A comprehensive and easy-to-use multi-domain multi-task medical imaging meta-dataset
University of Tübingen（图宾根大学）；Faculty of Health Sciences and Medicine, University of Lucerne（健康科学与医学学院 图宾根大学）
针对医学图像分析中机器学习技术面临的数据集稀缺及预处理复杂问题，提出新型多领域多任务元数据集MedIMeta，含19个数据集、10个领域、54项任务并标准化，经技术验证可支持全监督和跨领域少样本学习。
2025-11-17 cs.CV cs.LG
Implantable Adaptive Cells: A Novel Enhancement for Pre-Trained U-Nets in Medical Image Segmentation
Institute of Computer Science, Maria Curie-Skłodowska University（玛丽亚·居里-斯克沃多夫斯卡大学计算机科学研究所）
本文提出一种基于梯度的神经架构搜索方法，通过可植入自适应单元提升预训练神经网络在医学图像分割中的性能，实验表明在多种U-Net配置上准确率提升约5个百分点，最高可达11%。
2025-03-06 cs.AI cs.CV
Domain Generalizer: A Few-shot Meta Learning Framework for Domain Generalization in Medical Imaging
University of Pennsylvania（宾夕法尼亚大学）
深度学习模型在目标（测试）数据域上测试时表现最佳，其分布与源（训练）域的集合相似。然而，当目标域和源域之间的基础统计数据存在显著差异时，模型泛化可能会受到阻碍。在这项工作中，我们适应一个领域泛化方法的基础上，模型不可知的元学习框架，生物医学成像。该方法学习一个领域不可知的特征表示，以提高模型的泛化到看不见的测试分布。该方法可用于任何成像任务，因为它不依赖于底层模型架构。我们通过三个数据集上的健康和病理病例的计算机断层扫描（CT）椎骨分割任务来验证该方法。接下来，我们采用少样本学习，即使用来自未知领域的非常少的示例来训练广义模型，以快速使模型适应新的未知数据分布。我们的研究结果表明，该方法可以帮助在不同的医疗中心，图像采集协议，解剖结构，给定扫描中的不同区域，不同成像模式的健康和患病人群中推广模型。
2020-08-18 cs.CV cs.LG eess.IV
Multi-view Contrastive Learning with Additive Margin for Adaptive Nasopharyngeal Carcinoma Radiotherapy Prediction
The Hong Kong Polytechnic University（香港理工大学）；Research Institute for Smart Ageing, The Hong Kong Polytechnic University（香港理工大学智慧老龄研究学院）；Nantong University（南通大学）
鼻咽癌放疗前适应性放疗的预测对降低放疗毒副反应、延长生存期具有重要意义。目前，由于肿瘤微环境的复杂性，单一类型的高分辨率图像只能提供有限的信息。同时，传统的基于softmax的损失不足以量化模型的区分能力。为了克服这些挑战，我们提出了一个监督的多视图对比学习方法与附加的利润（MMCon）。对于每个病人，四个医学图像被认为是形成多视图的积极对，这可以提供额外的信息和增强的医学图像的表示。此外，通过对比学习来学习嵌入空间。来自同一患者或具有相似标记的NPC样本将在嵌入空间中保持接近，而具有不同标记的NPC样本将远离。为了提高损失函数的区分能力，我们在对比学习中加入了一个边界。实验结果表明，这种新的学习目标可以用来找到一个嵌入空间，表现出优越的识别能力的NPC图像。
2022-10-27 cs.CV
End to End Generative Meta Curriculum Learning For Medical Data Augmentation
The University of Queensland（昆士兰大学）
当前的医学图像合成增强技术依赖于生成对抗网络（GANs）的密集使用。然而，GAN架构的性质导致产生合成图像的计算资源繁重，并且增强过程需要多个阶段来完成。为了解决这些挑战，我们引入了一种新的生成Meta课程学习方法，该方法只需要一个额外的教师模型即可端到端地训练特定于任务的模型（学生）。教师学习生成课程以输入到学生模型中进行数据增强，并指导学生以元学习方式提高成绩。与GAN中的生成器和搜索器相互竞争相比，教师和学生合作以提高学生在目标任务上的表现。在组织病理学数据集上进行的大量实验表明，利用我们的框架可以显著提高分类性能。
2022-12-20 cs.CV eess.IV
MetaMedSeg: Volumetric Meta-learning for Few-Shot Organ Segmentation
Technical University of Munich（慕尼黑工业大学）；Ulm University（乌尔姆大学）
缺乏足够的标注图像数据是医学图像分割中的一个常见问题。对于某些器官和密度，注释可能很少，导致模型训练收敛性差，而其他器官有大量注释数据。在这项工作中，我们提出了MetaMedSeg，一个基于梯度的元学习算法，重新定义的元学习任务的体积医疗数据的目标是捕捉切片之间的变化。我们还探讨了不同的加权方案的梯度聚合，认为不同的任务可能有不同的复杂性，因此，有助于不同的初始化。我们提出了一个重要性感知的加权方案来训练我们的模型。在实验中，我们提出了一个评估的医疗十项全能数据集提取2D切片从CT和MRI卷的不同器官和执行语义分割。结果表明，与相关基线相比，我们提出的体积任务定义在IoU方面提高了30%。所提出的更新规则也被证明是提高复杂的情况下，目标器官的数据分布是非常不同的源器官的性能。
2021-09-18 cs.CV cs.LG eess.IV
HELP: Hardware-Adaptive Efficient Latency Prediction for NAS via Meta-Learning
KAIST（韩国科学技术院）；AITRICS
对于部署，神经架构搜索应该是硬件感知的，以便满足设备特定的约束（例如，存储器使用、等待时间和能量消耗）并增强模型效率。关于硬件感知NAS的现有方法收集大量样本（例如，准确性和等待时间），或者构建查找表，或者构建等待时间估计器。然而，这种方法在现实世界的场景中是不切实际的，因为存在具有不同硬件规格的许多设备，并且从如此大量的设备收集样本将需要过高的计算和金钱成本。为了克服这些限制，我们提出了硬件自适应高效延迟预测器（HELP），它将特定于设备的延迟估计问题制定为元学习问题，这样我们就可以估计模型性能的延迟对于一个给定的任务，在一个看不见的设备上使用一些样本。为此，我们引入了新的硬件嵌入来嵌入任何设备，将它们视为输出延迟的黑盒函数，并使用硬件嵌入以设备相关的方式元学习硬件自适应延迟预测器。我们验证了所提出的HELP在看不见的平台上的延迟估计性能，在该平台上，它仅用10个测量样本就实现了高估计性能，优于所有相关基线。我们还验证了端到端的NAS框架使用HELP对那些没有它，并表明它大大降低了总的时间成本的基础NAS方法，在延迟约束的设置。代码可在https://github.com/HayeonLee/HELP上获得。
2021-12-02 cs.LG
MedSelect: Selective Labeling for Medical Image Classification Combining Meta-Learning with Deep Reinforcement Learning
Stanford University（斯坦福大学）；Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
我们提出了一种选择性学习方法，使用元学习和深度强化学习的医学图像判读在有限的标签资源的设置。我们的方法MedSelect由一个可训练的深度学习选择器和一个非参数选择器组成，前者使用从对比预训练中获得的图像嵌入来确定要标记哪些图像，后者使用余弦相似性来对未见过的图像进行分类。我们证明，MedSelect学习一个有效的选择策略优于基线选择策略，在可见和不可见的医疗条件下进行胸部X射线解释。我们还对MedSelect进行的选择进行了分析，比较了潜在嵌入和临床特征的分布，并发现与最强基线相比存在显著差异。我们相信，我们的方法可以广泛适用于医疗成像设置中的标签是昂贵的收购。
2021-03-26 cs.AI cs.CV cs.LG
Unsupervised Task Design to Meta-Train Medical Image Classifiers
Australian Institute for Machine Learning, The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Institute for Systems and Robotics, Instituto Superior Tecnico（高等技术学院系统与机器人研究所）
元训练已经被经验证明是用于医学图像分类器的少样本学习的最有效的预训练方法（即，用小训练集建模的分类器）。然而，元训练的有效性依赖于合理数量的手工设计的分类任务的可用性，这是昂贵的获得，因此很少可用。在本文中，我们提出了一种新的方法来无监督地设计大量的分类任务来元训练医学图像分类器。我们评估我们的方法上的乳房动态对比增强磁共振成像（DCE-MRI）的数据集，已被用于基准的医学图像分类器的Few-Shot训练方法。我们的研究结果表明，所提出的用于元训练医学图像分类器的无监督任务设计构建了一个预训练模型，经过微调，该模型比其他无监督和有监督的预训练方法产生更好的分类结果，并且与依赖于手工设计的分类任务的元训练相比具有竞争力。
2019-07-17 cs.CV
MedAug: Contrastive learning leveraging patient metadata improves representations for chest X-ray interpretation
Stanford University（斯坦福大学）；School of Medicine, Stanford University（斯坦福大学医学院）
同一图像的多个视图对之间的自监督对比学习已被证明可以成功地利用未标记的数据来为自然图像和医学图像生成有意义的视觉表示。然而，在确定如何为医学图像选择配对方面的工作有限，其中可以利用患者元数据的可用性来改进表示。在这项工作中，我们开发了一种方法，通过使用患者元数据来选择来自可能不同图像的视图的正对。我们比较了选择阳性对进行胸部X线解读的策略，包括要求它们来自同一患者、成像研究或偏侧性。我们通过对胸腔积液分类的1%标记数据集上的线性层进行微调来评估下游任务性能。我们表现最好的正对选择策略，包括使用来自同一研究的同一患者的图像，在所有侧边，从ImageNet预训练基线的平均AUC中实现了14.4%的性能提升。我们的对照实验表明，提高疾病分类下游性能的关键是（1）使用患者元数据从具有相同基础病理的不同图像中适当地创建阳性对，以及（2）最大化查询配对中使用的不同图像的数量。此外，我们探索利用患者元数据来选择用于对比学习的硬阴性对，但没有发现与不使用元数据的基线相比的改进。我们的方法广泛适用于医学图像解释，并允许灵活地将医学见解选择对对比学习。
2021-10-17 cs.CV cs.LG eess.IV
Enhanced Transfer Learning Through Medical Imaging and Patient Demographic Data Fusion
National Physical Laboratory（英国国家物理实验室）
在这项工作中，我们研究的性能增强的医学成像数据的分类时，图像特征相结合，与相关的非图像数据。我们比较了八种最先进的深度神经网络在仅使用图像特征时与与患者元数据相结合时在分类任务中的性能。我们利用迁移学习，将ImageNet上预训练的网络直接用作特征提取器，并在目标域上进行微调。我们的实验表明，性能可以显着提高与元数据的列入，并使用可解释性的方法来确定哪些功能导致这些增强。此外，我们的研究结果表明，自然医学成像（例如光学图像）的性能增强最受益于直接使用预训练模型，而非自然图像（例如非成像数据的表示）最受益于微调预训练网络。这些增强在计算时间上的额外成本可以忽略不计，因此是其他应用程序的实用方法。
2021-11-29 cs.CV cs.LG eess.IV
Fairness-Aware Meta-Learning via Nash Bargaining
Virginia Tech（弗吉尼亚理工大学）；Meta AI；University of California, Berkeley（加利福尼亚大学伯克利分校）
本文提出两阶段公平性感知元学习框架，利用 NBS 解决子群体超梯度冲突并逼近 Pareto 前沿，再优化特定公平目标，兼具理论保证与跨数据集实证效果。
2024-06-11 cs.LG
Meta-Learning of Neural Architectures for Few-Shot Learning
Bosch Center for Artificial Intelligence（博世人工智能中心）；University of Freiburg（弗莱堡大学）
神经架构搜索（NAS）的最新进展已经允许将神经架构的自动化设计扩展到现实世界的领域，例如目标检测和语义分割。然而，NAS应用的一个先决条件是大量的标记数据和计算资源。这使得它的应用程序在少样本学习场景中具有挑战性，其中需要学习许多相关的任务，每个任务的数据量和计算时间都有限。因此，少样本学习通常使用固定的神经架构来完成。为了改进这一点，我们提出了MetaNAS，第一个方法，它完全集成了NAS与基于梯度的元学习。MetaNAS在元训练期间优化元架构以及元权重。在元测试期间，架构可以通过任务优化器的几个步骤来适应新的任务，即：任务适应变得计算便宜，并且每个任务只需要很少的数据。此外，MetaNAS是不可知的，因为它可以与任意模型不可知的元学习算法和任意基于梯度的NAS方法一起使用。%我们在Few-Shot分类基准上结合DARTS和REPTILE为MetaNAS提供了令人鼓舞的结果。标准Few-Shot分类基准测试的实证结果表明，结合DARTS和REPTILE的MetaNAS可以产生最先进的结果。
2021-06-14 cs.LG stat.ML
Meta-Learners for Few-Shot Weakly-Supervised Medical Image Segmentation
Institute of Mathematics and Statistics, Universidade de São Paulo（圣保罗大学数学与统计研究所）；Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；CNRS（法国国家科学研究中心）
提出通用元学习框架用于医学图像小样本弱监督分割，比较9种元学习器，发现基于度量的方法在域偏移小时更优，基于梯度和融合的方法泛化性更强。
2023-05-11 cs.CV cs.LG cs.NE
Meta-SVDD: Probabilistic Meta-Learning for One-Class Classification in Cancer Histology Images
University of Warwick（华威大学）；University Hospital Coventry and Warwickshire（考文垂和沃里克郡大学医院）
为了训练一个健壮的深度学习模型，通常需要在训练数据中使用一组平衡的类别。然而，在医学领域中获取的数据通常包含大量的健康患者，而不是少量的阳性异常病例。此外，阳性样本的注释需要来自医学领域专家的耗时输入。这种情况将表明一个类分类类型的方法的承诺。在这项工作中，我们提出了一个通用的组织学单类分类模型，该模型同时在多个组织学数据集上进行元训练，并且可以应用于新任务，而无需昂贵的重新训练。该模型可以很容易地由病理学领域的专家使用，并可能用于筛选目的。
2020-03-06 cs.CV cs.LG eess.IV
Resource Optimized Neural Architecture Search for 3D Medical Image Segmentation
VUNO Inc.（维诺公司）
神经架构搜索（NAS）是一种自动化设计神经网络任务的框架，最近在深度学习领域得到了积极的研究。然而，只有少数NAS方法适用于3D医学图像分割。医学3D图像通常非常大;因此，由于其GPU计算负担和较长的训练时间，难以应用先前的NAS方法。我们提出了资源优化的神经架构搜索方法，该方法可以在短的训练时间内（1GB数据集为1.39天）使用少量的计算能力（一个RTX 2080 Ti，10.8GB GPU内存）应用于3D医学分割任务。无需重新训练（微调）也可以实现出色的性能，这在大多数NAS方法中是必不可少的。这些优点可以通过使用具有参数共享的基于强化学习的控制器来实现，并且专注于宏搜索而不是微搜索的最优搜索空间配置。我们的实验表明，所提出的NAS方法优于手动设计的网络与国家的最先进的性能在3D医学图像分割。
2019-09-02 cs.CV cs.LG eess.IV
Warm-starting DARTS using meta-learning
神经结构搜索（NAS）在自动机器学习（AutoML）领域显示出巨大的前景。NAS的表现超过了手工设计的网络，在深度神经网络设计自动化领域迈出了重要一步，从而进一步减少了对人类专业知识的需求。然而，大多数研究都是针对一个特定的任务，离开多个任务的NAS方法的研究大多被忽视。一般来说，有两种流行的方法来为一些新的任务找到一个架构。要么从头开始搜索，这在设计上是无效的，要么从其他任务中转移发现的架构，这不能提供性能保证，而且可能不是最佳的。在这项工作中，我们提出了一个元学习框架，热启动可区分的架构搜索（DARTS）。DARTS是一种NAS方法，可以使用转移的架构进行初始化，并且能够快速适应新任务。任务相似性度量用于确定选择哪个传输架构，因为在类似任务上发现的传输架构可能会执行得更好。此外，我们采用了一个简单的元传输架构，该架构是在多个任务中学习的。实验表明，热启动的DARTS能够找到有竞争力的性能架构，同时减少搜索成本平均60%。
2022-05-12 cs.LG
CheXstray: Real-time Multi-Modal Data Concordance for Drift Detection in Medical Imaging AI
Microsoft Health and Life Sciences（微软健康与生命科学部）；Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福医学与成像人工智能中心）
临床人工智能（AI）应用正在全球范围内迅速扩展，并有可能影响到医疗实践的所有领域。医学成像应用占批准的临床AI应用的绝大多数。尽管医疗系统渴望采用人工智能解决方案，但仍然存在一个基本问题：\textit{what happens after the AI model goes into production?}我们使用CheXpert和PadChest公共数据集构建和测试医疗成像人工智能漂移监测工作流程，以跟踪数据和模型漂移，而无需同时获得地面实况。我们在多个实验中模拟漂移，将模型性能与我们新的多模态漂移度量进行比较，该度量使用DICOM元数据，变分自动编码器（VAE）的图像外观表示和模型输出概率作为输入。通过实验，我们展示了一个强大的代理地面真相的性能，使用相关元数据，预测概率和VAE潜在表示的无监督分布变化。我们的主要贡献包括（1）医学成像漂移检测的概念验证，包括使用VAE和特定领域的统计方法，（2）测量和统一漂移指标的多模式方法，（3）对观察部署的医学成像AI的挑战和解决方案的新见解，以及（4）创建开源工具，使其他人能够轻松运行自己的工作流程和场景。这项工作具有重要意义。它解决了在动态医疗环境中常见的连续医学成像AI模型监测中发现的相关翻译差距。
2022-03-17 cs.CV cs.LG eess.IV
Optimization of Convolutional Neural Network Hyperparameter for Medical Image Diagnosis using Metaheuristic Algorithms: A short Recent Review (2019-2022)
Universiti Sains Malaysia（马来西亚理科大学）；King Fahd University of Petroleum and Minerals（法赫德国王石油与矿业大学）；University of Information Technology and Communications（信息技术与通信大学）
本文综述了2019至2022年间利用元启发式优化算法自动优化医学图像诊断中CNN超参数的研究，以降低手动调参的计算成本并提升模型性能。
2024-12-23 cs.CV eess.IV
Learning to Segment Medical Images from Few-Shot Sparse Labels
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
在本文中，我们提出了一种新的方法，Few-Shot语义分割稀疏标记的图像。我们研究了我们的方法的有效性，这是基于模型不可知元学习（MAML）算法，在医疗场景中，使用稀疏标记和Few-Shot可以减轻生产新的注释数据集的成本。我们的方法在元训练中使用稀疏标签，在元测试中使用密集标签，从而使模型学习从稀疏标签预测密集标签。我们用四个胸部X射线数据集进行了实验，以评估两种类型的注释（网格和点）。结果表明，我们的方法是最合适的，当目标域与源域高度不同，实现Jaccard分数可比密集标签，使用不到2%的像素的图像标签在Few-Shot的情况下。
2021-08-22 cs.CV cs.LG
Beyond Metadata: CAPRA for Hidden Subgroup Analysis under Missing Metadata in Medical Imaging
Beijing University of Posts and Telecommunications（北京邮电大学）
研究针对医学成像模型缺失元数据问题，提出CAPRA框架，通过预测语义轴、校准轴后验等操作，构建校准子组接口，能揭示差异模式，产生更优子组划分，还可被下游学习者重用，实现缺失元数据下隐藏子组分析的校准、可解释与可重用。
2026-07-13 cs.AI cs.CV cs.MM
Deep Learning from Small Amount of Medical Data with Noisy Labels: A Meta-Learning Approach
Middle East Technical University（中东技术大学）；ASELSAN（阿瑟尔桑公司）；Selcuk University（塞尔丘克大学）
由于深度神经网络，计算机视觉系统最近取得了很大的飞跃。然而，这些系统需要正确标记的大型数据集才能正确训练，这对于医学应用来说是非常困难的。医学应用中标签噪声的两个主要原因是数据的高度复杂性和专家的相互矛盾的意见。此外，医学成像数据集通常很小，这使得每个数据在学习中非常重要。因此，如果处理不当，标签噪声会显著降低性能。因此，本文提出了一种利用元学习范式的标签噪声鲁棒学习算法。在早产儿视网膜病变（ROP）数据集上测试了所提出的解决方案，标签噪声非常高，为68%。实验结果表明，该算法显著提高了分类算法的性能，在噪声标签的存在。
2021-02-15 cs.CV
SECP-Net: SE-Connection Pyramid Network of Organ At Risk Segmentation for Nasopharyngeal Carcinoma
School of Electronic and Information Engineering, South China University of Technology（华南理工大学电子与信息学院）；Sun Yat-sen University Cancer Center（中山大学肿瘤防治中心）
鼻咽癌是一种恶性肿瘤。计算机断层扫描（CT）图像中危险器官（OAR）的准确自动分割具有重要的临床意义。近年来，以U-Net为代表的深度学习模型在医学图像分割任务中得到了广泛应用，可以帮助医生减轻工作量，更快地得到准确的结果。在NPC的OAR分割中，OAR的大小是可变的，特别是其中一些是小的。传统的深度神经网络在分割过程中表现不佳，因为缺乏对全局和多尺寸信息的使用。本文提出了一种新的SE连接金字塔网络（SECP-Net）。SECP-Net采用多连接（SEC）模块和金字塔网络结构提取全局和多尺度信息流，以提高分割性能，尤其是小器官的分割性能。SECP-Net还设计了一个自动上下文级联网络，以进一步提高分割性能。在头颈部CT图像数据集上进行了SECP-Net与最近几种方法的对比实验。五重交叉验证用于基于两个度量来评估性能，即，Dice和Jaccard相似。实验结果表明，SECP-Net可以达到SOTA性能在这个具有挑战性的任务。
2021-12-28 cs.CV eess.IV
Efficient Automatic Meta Optimization Search for Few-Shot Learning
Lenovo Research（联想研究院）
以前的元学习要么依赖于精心设计的网络结构，要么采用特定领域的专门学习规则。我们提出了一个通用的框架，通过采用神经结构搜索技术（NAS）自动优化元学习过程。对于少样本学习问题，NAS自动生成和评估元学习器的结构，元学习器根据学习任务的分布情况，使用元学习算法优化其参数。采用参数共享和经验回放的方法加快了体系结构的搜索速度，因此只需1-2 GPU天即可找到好的体系结构。在Mini-ImageNet和Omniglot上的大量实验表明，我们的算法在少样本学习任务中表现出色。在Mini-ImageNet上找到的最佳架构在转移到Omniglot时取得了有竞争力的结果，这表明架构在不同计算机视觉问题之间具有很高的可移植性。
2019-09-06 cs.CV cs.LG cs.NE
Self-Paced Contrastive Learning for Semi-supervised Medical Image Segmentation with Meta-labels
ETS Montreal（蒙特利尔高等工程技术学院）
在未标记数据的大型数据集上使用对比学习预训练识别模型已经显示出极大的潜力来提高下游任务的性能，例如，图像分类。然而，在医学成像等领域，收集未标记的数据可能具有挑战性且昂贵。在这项工作中，我们提出了适应对比学习与元标签注释，即使没有额外的未标记的数据是可用的，以提高模型的性能在医学图像分割。元标签（如3D MRI扫描中2D切片的位置或所用设备的类型）通常在采集过程中免费提供。我们使用元标签对图像编码器进行预训练，并对半监督训练进行正则化，其中使用简化的注释数据集进行训练。最后，为了充分利用弱注释，使用自定进度的学习方法来帮助学习并区分有用的标签和噪声。在三个不同的医学图像分割数据集上的结果表明，我们的方法：i）大大提高了在几次扫描上训练的模型的性能，ii）优于以前的对比和半监督方法，iii）接近在完整数据上训练的模型的性能。
2021-08-22 cs.CV
Meta Segmentation Network for Ultra-Resolution Medical Images
Fujian Key Laboratory of Sensing and Computing for Smart City, School of Informatics（智慧城市感知与计算福建省重点实验室、信息学院）；School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院）
尽管语义分割取得了很大的进展，但医学超分辨率图像分割仍然存在巨大的挑战。基于多分支结构的方法可以很好地平衡计算量和分割精度。然而，这些方法中的融合结构需要精心设计才能达到预期的效果，这导致了模型冗余。在本文中，我们提出了Meta Segmentation Network（MSN）来解决这个具有挑战性的问题。在元学习的帮助下，MSN的融合模块非常简单但有效。MSN可以通过一个简单的元学习器快速生成融合层的权重，只需少量的训练样本和迭代次数就可以收敛。此外，为了避免从头学习所有分支，我们进一步引入了一种特殊的权值共享机制，实现了快速的知识自适应，并在多个分支之间共享权值，从而提高了性能并显著减少了参数。在两个具有挑战性的超分辨率医学数据集BACH和ISIC上的实验结果表明，与现有方法相比，MSN具有最佳的性能。
2020-02-19 cs.CV
CDDSA: Contrastive Domain Disentanglement and Style Augmentation for Generalizable Medical Image Segmentation
University of Electronic Science and Technology of China（电子科技大学）；Shanghai AI Lab（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）；ShanghaiTech University（上海科技大学）；Sensetime Research（商汤科技研究院）；Sichuan University（四川大学）；Sichuan Cancer Hospital and Institute（四川省肿瘤医院（四川省肿瘤研究所））
推广到以前看不见的图像与潜在的域转移和不同的风格是必不可少的临床适用的医学图像分割，并能够解开特定领域和领域不变的功能是实现领域泛化（DG）的关键。然而，现有的DG方法很难实现有效的解纠缠，以获得高的推广性。为了解决这个问题，我们提出了一个有效的对比域解纠缠和风格增强（CDDSA）框架，可推广的医学图像分割。首先，提出了一种解缠网络，将图像分解为域不变的解剖表示和域特定的样式代码，其中前者被发送到不受域移位影响的分割模型，并且解缠网络由解码器正则化，该解码器结合解剖和样式代码来重建输入图像。其次，为了更好地解纠缠，提出了一种对比损失，以鼓励来自同一域和不同域的风格码分别是紧凑的和发散的。第三，为了进一步提高泛化能力，我们提出了一种基于解纠缠表示的风格增强方法，以合成具有共享解剖结构的各种不可见风格的图像。我们的方法在用于视杯和视盘分割的公共多位点眼底图像数据集和用于鼻咽大体肿瘤体积（GTVnx）分割的内部多位点鼻咽癌磁共振图像（NPC-MRI）数据集上进行了验证。实验结果表明，提出的CDDSA在不同领域取得了显着的泛化能力，它优于几个国家的最先进的方法在领域泛化分割。
2022-11-22 cs.CV
Shaken or Stirred? An Analysis of MetaFormer's Token Mixing for Medical Imaging
Institute of Medical Informatics, University of Lübeck（吕贝克大学医学信息学研究所）；Institute of Medical Systems Biology, Ulm University（乌尔姆大学医学系统生物学研究所）
本文首次系统研究了MetaFormer在医学影像中的token混合方法，分析了不同混合器在图像分类和语义分割中的表现，发现低复杂度混合器在分类中有效，而卷积混合器在分割中表现更优。
2026-04-24 cs.CV
A Meta-Learning Approach for Medical Image Registration
DGIST（大邱庆北科学技术院）；Yeungnam University College of Medicine（岭南大学医学院）；Yeungnam University Hospital（岭南大学医院）
非刚性配准是医学成像研究中一项必要而又具有挑战性的任务。最近，无监督配准模型表现出良好的性能，但它们通常需要大规模的训练数据集和较长的训练时间。因此，在只有几十到几百个图像对可用的现实世界应用中，现有的模型实际上不能使用。为了解决这些局限性，我们提出了一种新的无监督注册模型，该模型与基于梯度的Meta学习框架相结合。特别是，我们训练一个Meta学习器，它通过利用各种现有的注册数据集找到参数的初始化点。为了快速适应各种任务，Meta学习器被更新以接近为每个注册任务微调的参数的中心。因此，我们的模型可以通过一个简短的微调过程来适应看不见的领域任务，并执行准确的配准。为了验证我们的模型的优越性，我们训练模型用于各种2D医学图像配准任务，如视网膜脉络膜光学相干断层扫描血管造影（OCTA），CT器官，和脑MRI扫描和测试视网膜OCTA浅表毛细血管丛（SCP）的配准。在我们的实验中，所提出的模型获得了显着提高性能的准确性和训练时间相比，其他注册模型。
2021-04-21 cs.CV
Meta Ordinal Regression Forest for Medical Image Classification with Ordinal Labels
Fudan University（复旦大学）；Shanghai Center for Brain Science and Brain-inspired Technology（上海脑科学与类脑研究中心）
医学图像分类的性能已经通过深度卷积神经网络（CNN）来增强，深度卷积神经网络（CNN）通常使用交叉熵（CE）损失来训练。然而，当标签在自然界中呈现固有的序数属性时，例如，从良性到恶性肿瘤的发展，CE损失不能考虑这样的顺序信息以允许更好的概括。为了提高模型的泛化能力，提出了一种新的元有序回归森林（MORF）方法，用于医学图像分类中的有序标签，该方法通过在元学习框架中结合卷积神经网络和差分森林来学习有序关系.提出的MORF的优点来自以下两个部分：一个树加权网络（TWW-Net）和一个分组特征选择（GFS）模块。首先，TWW-Net为森林中的每棵树分配一个特定的权重，该权重从相应树的分类损失映射而来。因此，所有的树都具有不同的权重，这有助于减轻逐树预测方差。其次，GFS模块支持动态森林，而不是以前使用的固定森林，允许随机特征扰动。在训练过程中，我们通过计算Hessian矩阵，交替优化元学习框架中CNN主干和TWW-Net的参数。在两个医学图像分类数据集上的实验结果，LIDC-IDRI和乳腺超声数据集，证明了我们的MORF方法优于现有的最先进的方法的性能。
2022-03-15 cs.CV
EIR: Enhanced Image Representations for Medical Report Generation
University of Science and Technology of China（中国科学技术大学）；PAII Inc.（PAII公司）
EIR通过跨模态Transformer融合元数据与图像表示，结合医学领域预训练模型，有效解决信息不对称和领域差距问题，提升胸部X光报告生成的准确性。
2025-12-29 cs.AI cs.CV eess.IV
MirrorNet: Can Medical Image Anonymization Really Protect Patient Identity?
Umeå University（于默奥大学）
本研究提出MirrorNet模型，通过耦合循环一致变分自编码器发现去标识化医学扫描仍可识别患者，建议将其作为生物识别数据管理，相关代码与模型已公开。
2026-08-07 cs.CV cs.LG
Generating and Weighting Semantically Consistent Sample Pairs for Ultrasound Contrastive Learning
The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Shenzhen Research Institute of Big Data（深圳大数据研究院）
注释良好的医学数据集使深度神经网络（DNN）能够在提取病变相关特征方面获得强大的能力。由于需要高水平的专业知识，构建如此大型且设计良好的医疗数据集成本高昂。基于ImageNet的模型预训练是一种常见的做法，可以在数据量有限的情况下获得更好的泛化。然而，它遭受自然和医学图像之间的域差距。在这项工作中，我们在超声（US）领域而不是ImageNet上预训练DNN，以减少医疗US应用中的领域差距。为了学习基于未标记的US视频的US图像表示，我们提出了一种新的基于元学习的对比学习方法，即Meta Ultrasound对比学习（Meta-USCL）。为了解决对比学习中获得语义一致的样本对的关键挑战，我们提出了一个正对生成模块以及一个基于元学习的自动样本加权模块。在肺炎检测、乳腺癌分类和乳腺肿瘤分割等多个计算机辅助诊断（CAD）问题上的实验结果表明，所提出的自监督方法达到了最先进水平（SOTA）。这些代码可在https://github.com/Schuture/Meta-USCL上获得。
2022-12-08 cs.CV cs.LG
SM2C: Boost the Semi-supervised Segmentation for Medical Image by using Meta Pseudo Labels and Mixed Images
Chongqing University（重庆大学）；Third Military Medical University（陆军军医大学）
针对医学图像半监督分割中的过拟合与泛化问题，提出SM2C框架，通过放大图像尺寸、多类混合和目标形状抖动三种策略增强语义特征学习，在三个基准数据集上显著优于现有方法。
2024-03-24 cs.CV
Meta-learning for skin cancer detection using Deep Learning Techniques
Coventry University（考文垂大学）
本研究的重点是使用元学习方法对皮肤镜图像进行皮肤癌自动检测。本研究的目的是探讨的好处，从非医疗数据中提取的知识的泛化的分类性能的医疗数据和分布偏移问题的影响，在有限的数据，通过使用一个简单的类和分布平衡器算法。在这项研究中，来自3个不同来源的组合数据集的一小部分样本被用来微调在非医疗数据上预训练的ResNet模型。结果显示，使用从ImageNet数据集的日常物体图像中获得的先验知识，检测黑色素瘤，恶性（皮肤癌）和良性痣的性能提高了20个点。这些发现表明，来自非医学图像的特征可以用于皮肤痣的分类，并且数据的分布影响模型的性能。
2021-04-21 cs.CV
Exploring the similarity of medical imaging classification problems
Eindhoven University of Technology（埃因霍温理工大学）；Erasmus Medical Center（伊拉斯谟医学中心）；University Medical Center Utrecht（乌得勒支大学医学中心）
监督学习在医学图像分析中无处不在。在本文中，我们考虑元学习的问题-预测哪些方法将在一个看不见的分类问题中表现良好，给出以前的经验与其他分类问题。我们研究这种方法的第一步：如何量化不同分类问题的相似性。我们从六个分类问题的性能排名的简单分类器的采样数据集的特征，并定义在这个元特征空间的欧氏距离的倒数的相似性。我们可视化的相似性在一个二维空间中，有意义的集群开始出现，并表明，所提出的表示可以用来分类数据集根据其来源与89.3%的准确性。这些发现，以及对机器学习最近趋势的观察，表明元学习可能是医学成像界的一个有价值的工具。
2017-06-12 cs.CV
MetAdapt: Meta-Learned Task-Adaptive Architecture for Few-Shot Classification
IBM Research AI（IBM研究人工智能中心）；Tel Aviv University（特拉维夫大学）；Technion（以色列理工学院）
少样本学习（FSL）是一个快速增长的兴趣话题。通常，在FSL中，模型在由许多小任务（元任务）组成的数据集上进行训练，并学习适应在测试期间遇到的新任务。这也被称为元学习。另一个与元学习密切相关的话题是神经架构搜索（NAS），它可以自动找到最佳架构，而不是手动设计。在这项工作中，我们结合了元学习的这两个方面。到目前为止，元学习FSL方法专注于优化预定义网络架构的参数，以便使它们易于适应新任务。此外，据观察，一般来说，较大的架构比较小的架构表现得更好，直到某个饱和点（由于过度拟合，它们开始降级）。然而，很少有人注意到明确优化的架构FSL，也没有适应的架构在测试时，特定的新任务。在这项工作中，我们建议采用的工具的启发微分神经架构搜索（D-NAS）的文献，以优化FSL的架构，而不会过度拟合。此外，为了使架构任务自适应，我们提出了“MetAdapt控制器”模块的概念。这些模块被添加到模型中，并进行元训练，以预测给定新任务的最佳网络连接。使用所提出的方法，我们在两个流行的Few-Shot基准测试：miniImageNet和FC 100上观察到最先进的结果。
2020-03-09 cs.CV cs.LG
Scalable Neural Architecture Search for 3D Medical Image Segmentation
Kakao Brain；Seoul National University（首尔大学）；MILA, Université de Montréal（MILA，蒙特利尔大学）
在本文中，神经结构搜索（NAS）框架提出了三维医学图像分割，自动优化的神经结构，从一个大的设计空间。我们的NAS框架搜索每一层的结构，包括编码器和解码器中的神经连接和操作类型。由于高分辨率的3D医学图像难以在大的离散结构空间上进行优化，因此还提出了一种基于连续松弛的新的随机采样算法用于基于梯度的可扩展优化。在具有基准数据集的3D医学图像分割任务上，所提出的NAS框架自动设计的架构优于人工设计的3D U-Net，并且这种优化的架构非常适合于被转移到不同的任务。
2019-06-13 cs.CV cs.LG eess.IV
Boosting Few-Shot Learning with Disentangled Self-Supervised Learning and Meta-Learning for Medical Image Classification
Institute of Information Science and Technologies, National Research Council（国家研究委员会信息科学与技术研究所）；Department of Information Engineering, University of Pisa（比萨大学信息工程系）；School of Engineering, University of Edinburgh（爱丁堡大学工程学院）
针对医学图像标注数据稀缺问题，提出结合解耦自监督预训练与元微调的方法，通过改变任务粒度提升模型泛化能力，在前列腺癌和乳腺癌分类任务上表现优越且具备抗分布偏移能力。
2024-03-26 cs.AI cs.CV
A Systematic Review of Few-Shot Learning in Medical Imaging
Institute of Information Science and Technologies “Alessandro Faedo”, National Research Council of Italy (ISTI-CNR)（意大利国家研究委员会信息科学与技术研究所）；Department of Information Engineering, University of Pisa（比萨大学信息工程系）
该综述系统梳理2018-2023年80篇医学影像少样本学习文献，从多维度聚类分析研究分布与最优结果，总结通用流程，明确主流技术与核心应用领域，为相关研究与患者护理提升提供参考。
2024-06-24 cs.AI cs.CV
Medical SAM 2: Segment medical images as video via Segment Anything Model 2
University of Oxford（牛津大学）；National University of Singapore（新加坡国立大学）
本文提出 MedSAM-2，将2D/3D医学图像分割统一建模为 SAM2 视频对象跟踪，并通过自排序记忆库实现跨图像单提示分割，在14项任务上刷新多个基准。
2024-12-04 cs.CV
FGML-DG: Feynman-Inspired Cognitive Science Paradigm for Cross-Domain Medical Image Segmentation
School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院）
本文提出FGML-DG范式，通过费曼学习法简化特征、设计元风格记忆机制及反馈驱动重训练，提升医学图像跨域分割性能。
2026-04-12 cs.CV
Machine learning using longitudinal prescription and medical claims for the detection of nonalcoholic steatohepatitis (NASH)
IQVIA（艾昆纬）
目的开发和评估机器学习模型，以检测疑似未确诊的非酒精性脂肪性肝炎（NASH）患者，用于诊断筛查和临床管理。方法在这项回顾性观察性非干预性研究中，使用来自1，463，089例患者的行政医疗索赔数据，训练梯度提升决策树，以从具有肥胖、2型糖尿病（T2 DM）、代谢紊乱或非酒精性脂肪肝（NAFL）病史的高危患者人群中检测可能的NASH患者。对模型进行训练，以检测所有风险患者或既往无NAFL诊断的亚组（非NAFL风险患者）中可能的NASH。使用回顾性医疗索赔数据对模型进行训练和验证，并使用精确召回面积和受试者工作特征曲线（AUPRC，AUROC）进行评估。在索赔数据中，NASH的6个月发病率为1/1，437例高危患者和1/2，127例非NAFL高危患者。训练用于检测所有风险患者中NASH的模型的AUPRC为0.0107（95% CI 0.0104 - 0.011），AUROC为0.84。在10%的召回率下，模型精度为4.3%，是NASH发病率的60倍。训练用于检测非NAFL患者中NASH的模型的AUPRC为0.003（95% CI 0.0029 - 0.0031），AUROC为0.78。在10%的召回率下，模型精度为1%，是NASH发病率的20倍。结论NASH在医疗索赔数据中的低发生率证实了NASH在临床实践中的漏诊模式。基于索赔的机器学习可以促进检测可能的NASH患者，以进行诊断测试和疾…
2022-03-07 cs.CY cs.LG stat.ML
MUMINS: Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis
Universitat de Barcelona（巴塞罗那大学）；Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心）；Eurecat Centre Tecnològic de Catalunya（加泰罗尼亚Eurecat技术中心）
MUMINS提出一种元数据条件的不确定性感知扩散框架，通过联合扩散基线扫描与残差并在单次反向过程中预测不确定性图，高效合成医学图像下一状态，在肺CT和脑MRI上匹配或超越专用方法。
2026-10-28 cs.AI cs.CV
Adversarial Inpainting of Medical Image Modalities
许多因素会导致医学图像的局部劣化。例如，金属植入物将导致MRI扫描中的局部扰动。这将影响进一步的后处理任务，例如PET/MRI或放射治疗计划中的衰减校正。在这项工作中，我们提出了通过生成对抗网络（GANs）修复医学图像。建议的框架采用了两个补丁为基础的修复网络与额外的风格和感知损失的修复丢失的信息，在现实的详细和上下文一致的方式。所提出的框架优于其他自然图像修补技术的定性和定量两种不同的医疗模式。
2018-10-15 cs.CV
Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation
Xiamen University（厦门大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Deepwise AI Laboratory（深睿医疗人工智能实验室）
医学成像数据集通常表现出域的变化，由于扫描仪供应商，成像协议等，这引起了人们对机器学习模型的泛化能力的关注。领域泛化（DG），其目的是从多个源域学习模型，使其可以直接推广到看不见的测试域，似乎特别有前途的医学成像界。为了解决DG，最近的模型不可知元学习（MAML）已经被引入，它转移了以前的训练任务的知识，以促进新的测试任务的学习。然而，在临床实践中，通常只有少数注释源域可用，这降低了训练任务生成的能力，从而增加了过拟合训练任务的风险。在本文中，我们提出了一种新的DG计划的情节训练与任务增强的医学影像分类。基于元学习理论，我们提出情景训练范式，构建情景训练任务模拟到DG真实测试任务的知识迁移。在现实世界的医疗部署中，由于源域的数量有限，我们考虑到独特的任务级过拟合，我们提出了任务增强，以提高训练任务生成过程中的多样性，以减轻它。与已建立的学习框架，我们进一步开发了一种新的元目标，以正则化训练域的深度嵌入。为了验证所提出的方法的有效性，我们进行实验的组织病理学图像和腹部CT图像。
2021-06-13 cs.AI cs.CV
ABO-Med: Accelerated Bilevel Optimization for Few-Shot Medical Image Classification
提出ABO-Med，一种基于一阶双层优化的少样本医学图像分类方法，结合MedRAug增强策略，在多个数据集上显著提升准确率并具有理论保证。
2026-09-29 cs.CV
A Lightweight Neural Architecture Search Model for Medical Image Classification
Tongji University（同济大学）；Politecnico di Milano（米兰理工大学）
针对医学图像分类中模型开发成本高、重复劳动多的问题，本文提出可微神经架构搜索算法 ZO-DARTS+，利用双层优化生成稀疏概率以提升效率，并在五个公开医学数据集上达到最先进准确率且搜索时间最多缩短三倍。
2024-05-06 cs.AI cs.CV cs.LG
Learn to Explore: Meta NAS via Bayesian Optimization Guided Graph Generation
本文提出了一种新颖的元神经架构搜索框架 GraB-NAS，通过将神经架构建模为图并结合贝叶斯优化的全局搜索与潜在空间的梯度上升局部探索，实现了高效的任务感知架构发现，显著提升了跨任务泛化能力和搜索有效性。
2025-08-13 cs.LG
Across-Task Neural Architecture Search via Meta Learning
Zhejiang University of Technology（浙江工业大学）
充足的标记数据和昂贵的计算资源是神经结构搜索成功的前提。在计算资源和数据有限的元学习场景中应用NAS具有挑战性。在本文中，跨任务的神经架构搜索（AT-NAS）提出了解决这个问题，通过结合基于梯度的元学习和EA的NAS学习的任务分布。超网通过元学习其权重来学习整个任务集。从超网中采样的结构编码迭代地适应进化算法，同时搜索一个任务敏感的元网络。搜索元网络可以通过几个学习步骤来适应新的任务，并且只需要很少的搜索时间。实验结果表明，AT-NAS在Few-Shot分类精度上优于相关方法。AT-NAS在分类基准测试中的性能与从头开始搜索的模型相当，通过在不到一个小时的时间内从5-GPU-天的预训练元网络中调整架构。
2021-10-12 cs.LG
Rapid Neural Architecture Search by Learning to Generate Graphs from Datasets
KAIST（韩国科学技术院）；AITRICS
尽管最近的神经架构搜索（NAS）方法在各种任务上取得了成功，这些任务已经显示出输出的网络在很大程度上优于人类设计的网络，但传统的NAS方法主要解决了搜索单个任务（数据集）的网络架构的优化问题，这在多个任务（数据集）之间并没有很好地推广。此外，由于这种特定于任务的方法从零开始为每个给定的任务搜索神经架构，因此它们产生了很大的计算成本，当时间和金钱预算有限时，这是有问题的。在本文中，我们提出了一个高效的NAS框架，该框架在由数据集和预训练网络组成的数据库上训练一次，并且可以快速搜索新数据集的神经架构。提出的MetaD 2A（Meta Dataset-to-Architecture）模型可以通过使用摊销元学习学习的跨模态潜在空间从给定集合（数据集）随机生成图（架构）。此外，我们还提出了一个元性能预测器来估计和选择最佳架构，而无需直接对目标数据集进行训练。实验结果表明，我们的模型在NAS-Bench 201搜索空间的ImageNet-1 K子集和架构上进行了元学习，成功地推广到了多个看不见的数据集，包括CIFAR-10和CIFAR-100，平均搜索时间为33 GPU秒。即使在MobileNetV 3搜索空间下，MetaD 2A也比可转移NAS方法NSGANetV 2快5.5K倍，性能相当。我们相信MetaD 2A为快速NAS提出了一个新的研究方向，以及如何利用过去几年积累的丰富数据集和架构…
2021-07-02 cs.CV cs.LG
Medical Deep Learning -- A systematic Meta-Review
Graz University of Technology（格拉茨工业大学）；Medical University of Graz（格拉茨医科大学）；University Medicine Essen（埃森大学医学院）；German Cancer Consortium (DKTK)（德国癌症联盟（DKTK））
在过去的几年里，深度学习（DL）对几个不同的科学学科产生了显着的影响。例如，在一个示例中，在图像处理和分析中，DL算法能够优于其他尖端方法。此外，DL在自动驾驶等任务中取得了最先进的成果，超越了以往的尝试。甚至有一些情况下，DL的表现优于人类，例如在物体识别和游戏方面。DL在医疗领域也显示出巨大的潜力。随着大量患者记录和数据的收集以及个性化治疗的趋势，非常需要对健康信息进行自动化和可靠的处理和分析。患者数据不仅在医院和私人诊所等临床中心收集，而且还通过移动医疗保健应用程序或在线网站收集。收集的患者数据的丰富性和DL领域的近期增长导致了研究工作的大幅增加。在2020年第二季度，搜索引擎PubMed已经返回了超过11，000个搜索词“深度学习”的结果，其中约90%的出版物来自过去三年。然而，尽管PubMed是医学领域最大的搜索引擎，但它并不涵盖所有与医学相关的出版物。因此，几乎不可能获得“医学深度学习”领域的完整概述，并且获得医学子领域的完整概述变得越来越困难。然而，在过去的几年里，已经发表了一些关于医学DL的综述和调查文章。一般来说，它们专注于特定的医学场景，例如分析包含特定病理的医学图像。以这些调查为基础，本文的目的是提供第一个高层次的，系统的医学DL调查的元审查。
2022-05-18 cs.CV cs.LG eess.IV
