論文の概要: Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results
- arxiv url: http://arxiv.org/abs/2001.05647v3
- Date: Sun, 6 Dec 2020 16:48:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 00:57:01.688000
- Title: Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results
- Title（参考訳）: プライバシー保護フェデレーション学習とドメイン適応を用いた多地点fMRI解析:ABIDE結果
- Authors: Xiaoxiao Li, Yufeng Gu, Nicha Dvornek, Lawrence Staib, Pamela Ventola,
and James S. Duncan
- Abstract要約: 高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。
患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。
フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
- 参考スコア（独自算出の注目度）: 13.615292855384729
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have shown their advantage in many different tasks,
including neuroimage analysis. However, to effectively train a high-quality
deep learning model, the aggregation of a significant amount of patient
information is required. The time and cost for acquisition and annotation in
assembling, for example, large fMRI datasets make it difficult to acquire large
numbers at a single site. However, due to the need to protect the privacy of
patient data, it is hard to assemble a central database from multiple
institutions. Federated learning allows for population-level models to be
trained without centralizing entities' data by transmitting the global model to
local entities, training the model locally, and then averaging the gradients or
weights in the global model. However, some studies suggest that private
information can be recovered from the model gradients or weights. In this work,
we address the problem of multi-site fMRI classification with a
privacy-preserving strategy. To solve the problem, we propose a federated
learning approach, where a decentralized iterative optimization algorithm is
implemented and shared local model weights are altered by a randomization
mechanism. Considering the systemic differences of fMRI distributions from
different sites, we further propose two domain adaptation methods in this
federated learning formulation. We investigate various practical aspects of
federated model optimization and compare federated learning with alternative
training strategies. Overall, our results demonstrate that it is promising to
utilize multi-site data without data sharing to boost neuroimage analysis
performance and find reliable disease-related biomarkers. Our proposed pipeline
can be generalized to other privacy-sensitive medical data analysis problems.
- Abstract（参考訳）: ディープラーニングモデルは、ニューロイメージ分析など、さまざまなタスクにおいてその優位性を示している。
しかし,高品質なディープラーニングモデルを効果的に訓練するには,大量の患者情報を集める必要がある。
例えば、大規模なfMRIデータセットを組み立てる際の取得とアノテーションの時間とコストは、1つのサイトで大量のデータを取得するのを難しくする。
しかし,患者データのプライバシ保護の必要性から,複数の機関から中央データベースを収集することは困難である。
フェデレートラーニング(Federated learning)は、グローバルモデルをローカルエンティティに送信し、モデルをローカルにトレーニングし、グローバルモデルにおける勾配や重みを平均化することによって、エンティティのデータを集中化せずに、集団レベルのモデルをトレーニングすることができる。
しかし、いくつかの研究は、プライベート情報はモデルの勾配や重みから回復できることを示唆している。
本研究では,プライバシー保護戦略を用いた多地点fMRI分類の問題に対処する。
そこで本研究では,分散型反復最適化アルゴリズムを実装し,分散型局所モデル重み付けをランダム化機構により変更するフェデレーション学習手法を提案する。
異なるサイトからのfMRI分布の系統的差異を考慮し、この連合学習定式化における2つの領域適応法を提案する。
フェデレーションモデル最適化のさまざまな実践的側面を調査し,フェデレーション学習と代替訓練戦略の比較を行った。
総じて,マルチサイトデータを共有せずに活用し,神経画像解析の性能を高め,信頼性の高い疾患関連バイオマーカーを探索できることが実証された。
提案するパイプラインは他のプライバシーに敏感な医療データ分析問題に一般化することができる。
関連論文リスト
- Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection [11.980634373191542]
分散トレーニングは、大規模な医用画像データセットの処理を容易にし、疾患診断の精度と効率を向上させる。
本稿では,データプライバシと効率的な疾患診断という2つの課題に対処するために,Federated Learning(FL)を活用した医用画像分類の革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-15T09:07:19Z) - Empowering Healthcare through Privacy-Preserving MRI Analysis [3.6394715554048234]
本稿では,Ensemble-Based Federated Learning (EBFL)フレームワークを紹介する。
EBFLフレームワークは、機密性の高い患者データを共有することよりも、モデルの特徴を強調することによって、従来のアプローチから逸脱する。
グリオーマ,髄膜腫,下垂体,非腫瘍例などの脳腫瘍の分類において,有意な精度が得られた。
論文 参考訳（メタデータ） (2024-03-14T19:51:18Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - Federated Model Aggregation via Self-Supervised Priors for Highly
Imbalanced Medical Image Classification [31.633870207003092]
本稿では,公用自己監督型補助ネットワークを用いたクライアント間クラス間変動について検討する。
我々は,グローバルモデル最適化を導くために,自己教師付き事前制御による動的バランスの取れたモデルアグリゲーションを導出する。
論文 参考訳（メタデータ） (2023-07-27T15:52:18Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Learning Personalized Brain Functional Connectivity of MDD Patients from
Multiple Sites via Federated Bayesian Networks [9.873532358701803]
我々は,複数のベイズネットワークの同時学習のための連合型共同推定器NOTEARS-PFLを提案する。
合成および実世界のマルチサイトRS-fMRIデータセットにおける提案手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-01-06T08:58:06Z) - Decentralized Distributed Learning with Privacy-Preserving Data
Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。
最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。
ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文 参考訳（メタデータ） (2022-06-20T23:49:38Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - 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) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。