論文の概要: Federated Learning for Computational Pathology on Gigapixel Whole Slide
Images
- arxiv url: http://arxiv.org/abs/2009.10190v2
- Date: Wed, 23 Sep 2020 00:11:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 04:41:22.856144
- Title: Federated Learning for Computational Pathology on Gigapixel Whole Slide
Images
- Title（参考訳）: ギガピクセル全スライド画像における計算病理のフェデレーション学習
- Authors: Ming Y. Lu, Dehan Kong, Jana Lipkova, Richard J. Chen, Rajendra Singh,
Drew F. K. Williamson, Tiffany Y. Chen, Faisal Mahmood
- Abstract要約: 計算病理学において,ギガピクセル全体の画像に対するプライバシ保護フェデレーション学習を導入する。
スライドレベルのラベルのみを用いた数千のスライディング画像を用いた2つの異なる診断問題に対するアプローチについて検討した。
- 参考スコア（独自算出の注目度）: 4.035591045544291
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Learning-based computational pathology algorithms have demonstrated
profound ability to excel in a wide array of tasks that range from
characterization of well known morphological phenotypes to predicting
non-human-identifiable features from histology such as molecular alterations.
However, the development of robust, adaptable, and accurate deep learning-based
models often rely on the collection and time-costly curation large high-quality
annotated training data that should ideally come from diverse sources and
patient populations to cater for the heterogeneity that exists in such
datasets. Multi-centric and collaborative integration of medical data across
multiple institutions can naturally help overcome this challenge and boost the
model performance but is limited by privacy concerns amongst other difficulties
that may arise in the complex data sharing process as models scale towards
using hundreds of thousands of gigapixel whole slide images. In this paper, we
introduce privacy-preserving federated learning for gigapixel whole slide
images in computational pathology using weakly-supervised attention multiple
instance learning and differential privacy. We evaluated our approach on two
different diagnostic problems using thousands of histology whole slide images
with only slide-level labels. Additionally, we present a weakly-supervised
learning framework for survival prediction and patient stratification from
whole slide images and demonstrate its effectiveness in a federated setting.
Our results show that using federated learning, we can effectively develop
accurate weakly supervised deep learning models from distributed data silos
without direct data sharing and its associated complexities, while also
preserving differential privacy using randomized noise generation.
- Abstract（参考訳）: ディープラーニングに基づく計算病理学アルゴリズムは、よく知られた形態的表現型の特徴づけから、分子的変化のような組織学から人間の識別不可能な特徴を予測するまで、幅広いタスクに精通する能力を示した。
しかし、堅牢で適応性があり、正確なディープラーニングベースのモデルの開発は、しばしば、そのようなデータセットに存在する異質性に対処するために、様々なソースや患者集団から理想的に来るべき大規模な高品質なアノテートトレーニングデータの収集と時間費用のかかるキュレーションに依存している。
複数の機関にまたがる医療データの多中心的かつ協調的な統合は、この課題を克服し、モデルのパフォーマンスを高めるのに自然に役立ちますが、モデルが数十万ギガピクセルのスライド画像全体を使用するようスケールするにつれて、複雑なデータ共有プロセスで発生する他の困難の中で、プライバシー上の懸念によって制限されます。
本稿では,弱監視型マルチインスタンス学習と差分プライバシを用いた,計算病理学におけるギガピクセル全体の画像に対するプライバシー保護フェデレーション学習を提案する。
スライドレベルラベルのみを用いた何千もの病理組織像を用いて,2つの異なる診断問題に対するアプローチを評価した。
さらに,全スライド画像からの生存予測と患者階層化のための弱教師付き学習フレームワークを提案し,その効果を連合環境で実証する。
この結果から, 直接データ共有や関連複雑さを伴わない分散データサイロから, 高精度に教師付き深層学習モデルを開発することができ, また, ランダム化ノイズ生成による差分プライバシーの保護も可能であることがわかった。
関連論文リスト
- Beyond Multiple Instance Learning: Full Resolution All-In-Memory End-To-End Pathology Slide Modeling [1.063200750366449]
本稿では,タイルエンコーダとスライドアグリゲータを完全メモリで,エンド・ツー・エンドを高解像度で共同で学習する手法を提案する。
計算コストは高いが、詳細な定量的検証は、病理基盤モデルの大規模事前学習と微調整を約束することを示している。
論文 参考訳（メタデータ） (2024-03-07T19:28:58Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - 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) - ContIG: Self-supervised Multimodal Contrastive Learning for Medical
Imaging with Genetics [4.907551775445731]
本研究では、ラベルのない医療画像と遺伝データの大規模なデータセットから学習できる自己教師付き手法であるContIGを提案する。
提案手法は特徴空間における画像といくつかの遺伝的モダリティをコントラスト的損失を用いて整列させる。
また、我々のモデルで学んだ特徴に関するゲノムワイド・アソシエーション研究を行い、画像と遺伝データの間の興味深い関係を明らかにする。
論文 参考訳（メタデータ） (2021-11-26T11:06:12Z) - Generalized Multi-Task Learning from Substantially Unlabeled
Multi-Source Medical Image Data [11.061381376559053]
MultiMixは、病気の分類と解剖学的セグメンテーションを半教師付きで共同で学習する、新しいマルチタスク学習モデルである。
トレーニングセットにおける多ソースラベル付きデータの多量化実験により,MultiMixの有効性が確認された。
論文 参考訳（メタデータ） (2021-10-25T18:09:19Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Medical Image Harmonization Using Deep Learning Based Canonical Mapping:
Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。
我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
論文 参考訳（メタデータ） (2020-10-11T22:01:37Z) - 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) - Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results [13.615292855384729]
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。
論文 参考訳（メタデータ） (2020-01-16T04:49:33Z)
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。