A Systematic Review of Low-Rank and Local Low-Rank Matrix Approximation in Big Data Medical Imaging

医学成像数据集的大容量和复杂性是存储、传输和处理的瓶颈。为了解决这些挑战，低秩矩阵逼近（LRMA）及其衍生物局部LRMA（LLRMA）的应用已经展示了潜力。通过详细分析文献，本文确定了LRMA和LLRMA方法在各种成像模态中的应用，并解决了现有LRMA和LLRMA方法所面临的挑战和限制。自2015年以来，医学成像领域明显倾向于使用LLRMA，表明相对于LRMA，LLRMA在捕捉医学数据中的复杂结构方面具有潜力和有效性。我们注意到LLRMA使用的浅层相似性方法存在局限性，因此建议使用先进的语义图像分割来衡量相似性，并详细解释了如何测量相似的补丁及其可行性。我们注意到，LRMA和LLRMA主要应用于非结构化医学数据，并建议将它们的应用扩展到不同类型的医学数据，包括结构化和半结构化数据。本文还讨论了如何将LRMA和LLRMA应用于具有缺失条目的常规数据，以及预测缺失值的不准确性和其影响。我们讨论了补丁大小的影响，并建议使用随机搜索（RS）确定最佳补丁大小。为了增强可行性，提出了一种混合方法，使用贝叶斯优化和RS，可以改进LRMA和LLRMA在医学成像中的应用。

本文旨在解决医学影像数据集的存储、传输和处理方面的挑战，通过使用低秩矩阵逼近（LRMA）及其衍生物，即局部LRMA（LLRMA）来解决这些挑战。

本文提出了使用先进的语义图像分割技术来测量相似性，以解决LLRMA中浅层相似性方法的局限性。同时，本文还探讨了将LRMA和LLRMA应用于不同类型的医学数据，以及如何处理缺失值和影响缺失值预测准确性的因素。

本文提出了使用随机搜索（RS）来确定最佳补丁大小的方法，并提出了一种混合方法，即贝叶斯优化和RS的混合方法，以提高LRMA和LLRMA在医学成像中的应用。本文还讨论了LLRMA在医学成像领域中的潜力和有效性，并与LRMA进行了比较。本文还提供了相关数据集和开源代码。

近年来，与本文相关的研究包括“Low-Rank Tensor Completion with Laplacian Graph Constraints”和“Local Low-Rank Matrix Approximation for Large Scale Image and Video Data”。