Key points are not available for this paper at this time.
변환기는 많은 컴퓨터 비전 과제에서 널리 사용되었으며, 합성곱 신경망(CNNs)보다 더 나은 결과를 생성하는 능력을 보여주었습니다. 변환기는 장기적인 맥락 정보를 캡처하고 이미지 데이터에서 더 복잡한 관계를 학습하는 것을 활용하여 조직병리 이미지 처리 작업에 사용되고 적용되었습니다. 이 조사에서는 변환기가 조직병리 이미지 분석에 사용되는 방식을 철저히 분석하려고 노력하며, 새로 구축된 변환기 모델부터 해결되지 않은 문제까지 여러 주제를 다룹니다. 보다 구체적으로, 우선 변환기 모델에 포함된 주의 메커니즘의 기본 원칙과 다른 주요 프레임워크를 간략히 설명합니다. 둘째, 조직병리 이미징 분야에서의 변환기 기반 응용 프로그램을 분석하고 생존 분석 및 예측, 분할, 분류, 탐지 및 표현을 포함한 다양한 하위 작업에 걸쳐 100개 이상의 연구 출판물에 대한 철저한 평가를 제공합니다. 이 조사 작업 내에서 우리는 최근에 발표된 논문을 바탕으로 CNN 기반 기술과 변환기의 성능을 비교하고, 주요 과제를 강조하며, 흥미로운 미래 연구 방향을 제공합니다. 이 조사에서 검토한 여러 논문에서 변환기 기반 아키텍처의 뛰어난 성능에도 불구하고, 조직병리 이미징 분야에서 변환기에 대한 추가 개선 및 탐색이 여전히 필요할 것으로 예상됩니다. 이 조사 논문이 이 연구 분야의 독자들에게 조직병리 이미지 분석에서 변환기 기반 기술에 대한 철저한 이해를 제공하고, 최신 논문 요약 목록이 https://github.com/S-domain/Survey-Paper 에 제공될 것이라고 희망합니다.
Atabansi et al. (Mon,) 이 질문을 연구했습니다.