論文の概要: Experiments of Federated Learning for COVID-19 Chest X-ray Images

• arxiv url: http://arxiv.org/abs/2007.05592v1
• Date: Sun, 5 Jul 2020 08:25:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 08:13:37.401977
• Title: Experiments of Federated Learning for COVID-19 Chest X-ray Images
• Title（参考訳）: 新型コロナウイルスの胸部X線画像のフェデレーション学習実験
• Authors: Boyi Liu, Bingjie Yan, Yize Zhou, Yifan Yang, Yixian Zhang
• Abstract要約: コンピュータビジョンとディープラーニング技術は、Chest X-ray Imagesで新型コロナウイルスの感染を判定するのに役立つ。 患者のプライバシの保護と尊重のため、病院の特定の医療関連データは、許可なく漏洩や共有を許さなかった。 我々は、新型コロナウイルスデータトレーニングにフェデレートラーニング(フェデレートラーニング)を用いることを提案し、その有効性を検証するために実験を展開した。
• 参考スコア（独自算出の注目度）: 14.347569140079342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI plays an important role in COVID-19 identification. Computer vision and deep learning techniques can assist in determining COVID-19 infection with Chest X-ray Images. However, for the protection and respect of the privacy of patients, the hospital's specific medical-related data did not allow leakage and sharing without permission. Collecting such training data was a major challenge. To a certain extent, this has caused a lack of sufficient data samples when performing deep learning approaches to detect COVID-19. Federated Learning is an available way to address this issue. It can effectively address the issue of data silos and get a shared model without obtaining local data. In the work, we propose the use of federated learning for COVID-19 data training and deploy experiments to verify the effectiveness. And we also compare performances of four popular models (MobileNet, ResNet18, MoblieNet, and COVID-Net) with the federated learning framework and without the framework. This work aims to inspire more researches on federated learning about COVID-19.
• Abstract（参考訳）: AIは新型コロナウイルスの識別において重要な役割を果たす。 コンピュータビジョンとディープラーニング技術は、Chest X-ray Imagesで新型コロナウイルスの感染を判定するのに役立つ。 しかし、患者のプライバシーの保護と尊重のために、病院の特定の医療関連データは、許可なく漏洩や共有を許さなかった。 このようなトレーニングデータの収集は大きな課題だった。 ある程度は、COVID-19を検出するためのディープラーニングアプローチを実行する際に十分なデータサンプルが不足している。 フェデレーション学習は、この問題に対処するための利用可能な方法です。 データサイロの問題を効果的に解決し、ローカルデータを得ることなく共有モデルを得ることができる。 本研究では,covid-19データトレーニングにおける連合学習の利用と,その効果を検証するための実験の展開を提案する。 また、MobileNet、ResNet18、MoblieNet、COVID-Netの4つの人気モデルのパフォーマンスを、フレームワークなしで、フェデレートされた学習フレームワークと比較する。 この研究は、covid-19に関する連合学習に関するより多くの研究を刺激することを目的としている。

関連論文リスト

• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Challenges in COVID-19 Chest X-Ray Classification: Problematic Data or Ineffective Approaches? [0.0]
  胸部X線写真から新型コロナウイルスの感染を分類し、検出するための深層学習。 本研究では,データと機械学習の両方の観点から,信頼性の高いAIソリューションを作成する上で直面する課題について検討する。
  論文  参考訳（メタデータ） (2022-01-16T14:12:04Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• COVID-19 detection from scarce chest x-ray image data using deep learning [0.0]
  現在の新型コロナウイルスのパンデミックでは、感染した患者を迅速かつ正確に検査する必要がある。 胸部x線画像で訓練されたディープラーニングモデルを使うことは、新型コロナウイルス患者のスクリーニングに効果的な方法となる。 少数の学習は、少ないデータ量で目的を学ぶことを目的とした機械学習のサブフィールドです。
  論文  参考訳（メタデータ） (2021-02-11T22:06:03Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Blockchain-Federated-Learning and Deep Learning Models for COVID-19 detection using CT Imaging [8.280858576611587]
  新型コロナウイルスの患者を診断する主な問題は、検査キットの不足と信頼性である。 第2の現実の問題は、世界中の病院間でデータを共有することだ。 第3に,ブロックチェーン技術を用いてグローバルモデルを協調的にトレーニングする手法を設計する。
  論文  参考訳（メタデータ） (2020-07-10T11:23:14Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT [49.09507792800059]
  胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。 AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
  論文  参考訳（メタデータ） (2020-05-07T06:00:02Z)
• COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
  我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。 著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。 また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
  論文  参考訳（メタデータ） (2020-03-22T12:26:36Z)

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。