論文の概要: Federated Learning in Distributed Medical Databases: Meta-Analysis of Large-Scale Subcortical Brain Data

• arxiv url: http://arxiv.org/abs/1810.08553v4
• Date: Tue, 28 Jan 2025 21:14:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-02 16:14:41.885921
• Title: Federated Learning in Distributed Medical Databases: Meta-Analysis of Large-Scale Subcortical Brain Data
• Title（参考訳）: 分散医療データベースにおけるフェデレートラーニング:大規模皮質下脳データのメタ分析
• Authors: Santiago Silva, Boris Gutman, Eduardo Romero, Paul M Thompson, Andre Altmann, Marco Lorenzi,
• Abstract要約: 本稿では,個々の情報を共有することなく,バイオメディカルデータを安全にアクセスし,メタアナライズするためのフェデレート学習フレームワークを提案する。 本研究の枠組みは, 疾患と臨床コホート間の脳構造的関係を解明することによるものである。
• 参考スコア（独自算出の注目度）: 4.380066835476896
• License:
• Abstract: At this moment, databanks worldwide contain brain images of previously unimaginable numbers. Combined with developments in data science, these massive data provide the potential to better understand the genetic underpinnings of brain diseases. However, different datasets, which are stored at different institutions, cannot always be shared directly due to privacy and legal concerns, thus limiting the full exploitation of big data in the study of brain disorders. Here we propose a federated learning framework for securely accessing and meta-analyzing any biomedical data without sharing individual information. We illustrate our framework by investigating brain structural relationships across diseases and clinical cohorts. The framework is first tested on synthetic data and then applied to multi-centric, multi-database studies including ADNI, PPMI, MIRIAD and UK Biobank, showing the potential of the approach for further applications in distributed analysis of multi-centric cohorts
• Abstract（参考訳）: 現在、世界中のデータバンクには、これまで想像できなかった数字の脳画像が含まれている。 データサイエンスの発展と組み合わさって、これらの膨大なデータは、脳疾患の遺伝的基盤をよりよく理解する可能性がある。 しかし、異なる機関に格納されている異なるデータセットは、常にプライバシーや法的懸念のために直接共有できないため、脳障害の研究におけるビッグデータの完全な活用が制限される。 本稿では,個々の情報を共有することなく,バイオメディカルデータを安全にアクセスし,メタアナライズするためのフェデレート学習フレームワークを提案する。 本研究の枠組みは, 疾患と臨床コホート間の脳構造的関係を解明することによるものである。 このフレームワークは、まず合成データ上でテストされ、次にADNI、PPMI、MIRIAD、UK Biobankを含む多中心のマルチデータベース研究に適用され、多中心コホートの分散分析におけるさらなる応用の可能性を示している。

関連論文リスト

• BIOMEDICA: An Open Biomedical Image-Caption Archive, Dataset, and Vision-Language Models Derived from Scientific Literature [73.39593644054865]
  BIOMEDICAはスケーラブルでオープンソースのフレームワークで、PubMed Central Open Accessサブセット全体を抽出、注釈付け、シリアライズして、使いやすく、公開可能なデータセットにする。 われわれのフレームワークは600万以上の記事から2400万以上のユニークな画像テキストペアで包括的なアーカイブを生成する。 BMCA-CLIPは、ストリーミングを通じてBIOMEDICAデータセット上で継続的に事前トレーニングされたCLIPスタイルのモデルのスイートで、27TBのデータをローカルにダウンロードする必要がなくなる。
  論文  参考訳（メタデータ） (2025-01-13T09:58:03Z)
• Federated brain tumor segmentation: an extensive benchmark [2.515027627030043]
  本稿では,この課題における3つのクラスすべてからのフェデレーション学習アルゴリズムの広範なベンチマークを提案する。 各カテゴリのいくつかの手法は、若干の性能改善をもたらし、フェデレーションの圧倒的なデータ分布に対する最終モデル(s)バイアスを制限する可能性があることを示す。
  論文  参考訳（メタデータ） (2024-10-07T09:32:19Z)
• Machine Learning Techniques for MRI Data Processing at Expanding Scale [0.5221459608786241]
  世界中のイメージングサイトは、より多用途で手頃な価格のテクノロジーで、より多くの医療スキャンデータを生成する。 これらの大規模なデータセットは人間の健康に関する情報をエンコードし、機械学習のトレーニングと分析にかなりの可能性を秘めている。 本章は、現在進行中の大規模研究と、それら間の分散シフトの課題について考察する。
  論文  参考訳（メタデータ） (2024-04-22T16:38:41Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Evaluation and Analysis of Different Aggregation and Hyperparameter Selection Methods for Federated Brain Tumor Segmentation [2.294014185517203]
  我々は分散学習手法であるフェデレート学習パラダイムに注目した。 研究は、連合学習が従来の中央訓練と競争力を発揮することを示した。 我々は、より高速な収束と優れた性能のための様々な戦略を探求し、強力な非IIDケースでも機能する。
  論文  参考訳（メタデータ） (2022-02-16T07:49:04Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• FedDis: Disentangled Federated Learning for Unsupervised Brain Pathology Segmentation [12.863361425822314]
  パラメータ空間を形状と外観に分離するFederated Disentanglement (FedDis)を提案する。 FedDisは、脳MRI画像の解剖学的構造が複数の機関で類似しているという仮定に基づいている。 対象者109名を含む実際の病理データベース上でFedDisの優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-05T14:29:52Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。