論文の概要: Automated Pancreas Segmentation Using Multi-institutional Collaborative Deep Learning

• arxiv url: http://arxiv.org/abs/2009.13148v1
• Date: Mon, 28 Sep 2020 08:54:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 22:25:18.655089
• Title: Automated Pancreas Segmentation Using Multi-institutional Collaborative Deep Learning
• Title（参考訳）: 多施設共同深層学習による膵臓分節の自動作成
• Authors: Pochuan Wang, Chen Shen, Holger R. Roth, Dong Yang, Daguang Xu, Masahiro Oda, Kazunari Misawa, Po-Ting Chen, Kao-Lang Liu, Wei-Chih Liao, Weichung Wang, Kensaku Mori
• Abstract要約: 本研究では,実世界における2つの機関間の連携学習を用いて,モデルを協調的に訓練する方法について検討する。 フェデレーション学習と局所訓練のみで得られたセグメンテーションモデルを定量的に比較した。 実験結果から,フェデレーション学習モデルはスタンドアロン学習よりも一般化性が高いことがわかった。
• 参考スコア（独自算出の注目度）: 9.727026678755678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of deep learning-based methods strongly relies on the number of datasets used for training. Many efforts have been made to increase the data in the medical image analysis field. However, unlike photography images, it is hard to generate centralized databases to collect medical images because of numerous technical, legal, and privacy issues. In this work, we study the use of federated learning between two institutions in a real-world setting to collaboratively train a model without sharing the raw data across national boundaries. We quantitatively compare the segmentation models obtained with federated learning and local training alone. Our experimental results show that federated learning models have higher generalizability than standalone training.
• Abstract（参考訳）: ディープラーニングベースの手法のパフォーマンスは、トレーニングに使用するデータセットの数に大きく依存する。 医療画像解析分野のデータを増やすために多くの努力がなされている。 しかし、写真画像とは異なり、多くの技術的、法的、プライバシー上の問題のために、医療画像を集める集中データベースを生成するのは難しい。 本研究では、実世界における2つの機関間の連携学習を用いて、国境を越えて生データを共有せずにモデルを協調訓練する。 フェデレーション学習と局所訓練のみで得られたセグメンテーションモデルを定量的に比較した。 実験の結果,フェデレーション学習モデルはスタンドアロン学習よりも一般化性が高いことがわかった。

関連論文リスト

• Coupling AI and Citizen Science in Creation of Enhanced Training Dataset for Medical Image Segmentation [3.7274206780843477]
  我々は、AIとクラウドソーシングを組み合わせた堅牢で汎用的なフレームワークを導入し、医療画像データセットの品質と量を改善する。 当社のアプローチでは,多様なクラウドアノテータのグループによる医療画像のラベル付けを効率的に行うことができる,ユーザフレンドリーなオンラインプラットフォームを活用している。 我々は、生成AIモデルであるpix2pixGANを使用して、リアルな形態的特徴をキャプチャする合成画像を用いてトレーニングデータセットを拡張する。
  論文  参考訳（メタデータ） (2024-09-04T21:22:54Z)
• Split Learning for Distributed Collaborative Training of Deep Learning Models in Health Informatics [20.72616921953282]
  分割学習は、異なる、あるいはプライベートにメンテナンスされた健康データセット間で、ディープラーニングモデルの協調トレーニングを可能にする方法を示す。 従来のフェデレーション学習と比較して高いレベルのプライバシを提供する,新たなプライバシ保護分散学習フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-08-21T20:30:51Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• 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)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Collaborative Training of Medical Artificial Intelligence Models with non-uniform Labels [0.07176066267895696]
  強力で堅牢なディープラーニングモデルを構築するには、大規模なマルチパーティデータセットによるトレーニングが必要だ。 このようなデータに対する協調学習のためのフレキシブル・フェデレーション・ラーニング(FFL)を提案する。 不均質なラベル付きデータセットを持つことで、FFLベースのトレーニングがパフォーマンスを著しく向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-24T13:48:54Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• Compound Figure Separation of Biomedical Images: Mining Large Datasets for Self-supervised Learning [12.445324044675116]
  本稿では,リソースの広範なバウンディングボックスアノテーションの必要性を最小限に抑えるシミュレーションベースのトレーニングフレームワークを提案する。 また,合成図形分離に最適化された新たなサイドロスを提案する。 本研究は,複合画像分離による自己教師あり学習の有効性を評価する最初の研究である。
  論文  参考訳（メタデータ） (2022-08-30T16:02:34Z)
• MammoFL: Mammographic Breast Density Estimation using Federated Learning [12.005028432197708]
  我々は,ニューラルネットワークを用いた定量的乳房密度推定を自動化した。 このツールは,多施設データセット上でのフェデレーション学習の強力なユースケースであることを示す。
  論文  参考訳（メタデータ） (2022-06-11T17:38:09Z)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。