論文の概要: Dynamic Fusion based Federated Learning for COVID-19 Detection
- arxiv url: http://arxiv.org/abs/2009.10401v4
- Date: Mon, 26 Oct 2020 01:37:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 23:18:28.501092
- Title: Dynamic Fusion based Federated Learning for COVID-19 Detection
- Title(参考訳): 動的融合を用いたcovid-19検出のための連合学習
- Authors: Weishan Zhang, Tao Zhou, Qinghua Lu, Xiao Wang, Chunsheng Zhu, Haoyun
Sun, Zhipeng Wang, Sin Kit Lo, Fei-Yue Wang
- Abstract要約: 本稿では,医療診断画像解析のためのダイナミックフュージョンに基づくフェデレーション学習手法を提案する。
本稿では,各クライアントのローカルモデルの性能に応じて動的にクライアントを決定するダイナミックフュージョン法を提案し,そのモデルフュージョンをトレーニング時間に基づいてスケジュールする。
評価の結果,提案手法は,フェデレート学習の既定設定よりも実現可能であり,性能も向上していることがわかった。
- 参考スコア(独自算出の注目度): 24.644484914824844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical diagnostic image analysis (e.g., CT scan or X-Ray) using machine
learning is an efficient and accurate way to detect COVID-19 infections.
However, sharing diagnostic images across medical institutions is usually not
allowed due to the concern of patients' privacy. This causes the issue of
insufficient datasets for training the image classification model. Federated
learning is an emerging privacy-preserving machine learning paradigm that
produces an unbiased global model based on the received updates of local models
trained by clients without exchanging clients' local data. Nevertheless, the
default setting of federated learning introduces huge communication cost of
transferring model updates and can hardly ensure model performance when data
heterogeneity of clients heavily exists. To improve communication efficiency
and model performance, in this paper, we propose a novel dynamic fusion-based
federated learning approach for medical diagnostic image analysis to detect
COVID-19 infections. First, we design an architecture for dynamic fusion-based
federated learning systems to analyse medical diagnostic images. Further, we
present a dynamic fusion method to dynamically decide the participating clients
according to their local model performance and schedule the model fusion-based
on participating clients' training time. In addition, we summarise a category
of medical diagnostic image datasets for COVID-19 detection, which can be used
by the machine learning community for image analysis. The evaluation results
show that the proposed approach is feasible and performs better than the
default setting of federated learning in terms of model performance,
communication efficiency and fault tolerance.
- Abstract(参考訳): 機械学習を用いた医療診断画像解析(ctスキャンやx線など)は、新型コロナウイルスの感染を検出する効率的かつ正確な方法である。
しかし、患者のプライバシーの懸念から、医療機関間で診断画像を共有することは許されない。
これにより、画像分類モデルのトレーニングに不十分なデータセットが問題となる。
フェデレーション学習は、クライアントのローカルデータを交換することなく、クライアントによってトレーニングされたローカルモデルの受信した更新に基づいて、バイアスのないグローバルモデルを生成する、新たなプライバシ保護機械学習パラダイムである。
それでも、フェデレーション学習のデフォルト設定は、モデル更新を転送する膨大な通信コストをもたらし、クライアントのデータの不均一性が大きく存在する場合、モデルパフォーマンスを保証できない。
コミュニケーション効率とモデル性能を向上させるため,本稿では,医療診断画像解析による新型コロナウイルス感染検出のための,新しい動的融合型フェデレート学習手法を提案する。
まず, 医用診断画像を分析するために, 動的融合型連合学習システムのためのアーキテクチャを設計する。
さらに,各クライアントの局所的モデル性能に応じて動的に決定する動的融合手法を提案し,参加者のトレーニング時間に基づいてモデル融合をスケジュールする。
さらに、新型コロナウイルス検出のための医療診断画像データセットのカテゴリを要約し、機械学習コミュニティが画像解析に使用することができる。
評価の結果,提案手法はモデルの性能,通信効率,フォールトトレランスの面では,フェデレーション学習のデフォルト設定よりも優れていることがわかった。
関連論文リスト
- PE-MVCNet: Multi-view and Cross-modal Fusion Network for Pulmonary
Embolism Prediction [4.835241621041882]
肺塞栓症(PE)の早期発見は、患者の生存率を高めるために重要である。
PE-MVCNetとよばれる多モード核融合法を提案する。
提案モデルは既存の手法より優れており, 単一のデータモダリティを用いたモデルと比較して, マルチモーダル融合モデルの方が優れていることを裏付けるものである。
論文 参考訳(メタデータ) (2024-02-27T03:53:27Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳(メタデータ) (2023-11-18T14:52:26Z) - A Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳(メタデータ) (2023-06-01T16:23:47Z) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z) - Deep Metric Learning-based Image Retrieval System for Chest Radiograph
and its Clinical Applications in COVID-19 [12.584626589565522]
胸部X線写真(CXR)は、新型コロナウイルス患者のトリアージ、診断、モニタリングにおいて重要な役割を担っている。
CXRの混合信号や非特異的信号を考えると、類似した画像と関連する臨床情報の両方を提供するCXRの画像検索モデルは、より臨床的に有意義である。
本研究では,深度学習に基づく新しいCXR画像検索モデルを開発する。
論文 参考訳(メタデータ) (2020-11-26T03:16:48Z) - Contrastive Cross-site Learning with Redesigned Net for COVID-19 CT
Classification [20.66003113364796]
新型コロナウイルス感染症(COVID-19)のパンデミックにより、世界の公衆衛生危機が数百カ国で拡大している。
画像解釈の面倒な作業量を削減するとともに、臨床診断を支援するために、CT画像を用いたCOVID-19識別自動化ツールの開発が望まれている。
本稿では、異種データセットを効果的に学習することで、正確な新型コロナウイルス識別を行うための新しい共同学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-15T11:09:04Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z) - Improving Calibration and Out-of-Distribution Detection in Medical Image
Segmentation with Convolutional Neural Networks [8.219843232619551]
畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。
マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。
一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
論文 参考訳(メタデータ) (2020-04-12T23:42:51Z) - 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。