論文の概要: Federated Semi-Supervised Learning for COVID Region Segmentation in
Chest CT using Multi-National Data from China, Italy, Japan
- arxiv url: http://arxiv.org/abs/2011.11750v1
- Date: Mon, 23 Nov 2020 21:51:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-09-22 03:04:37.534788
- Title: Federated Semi-Supervised Learning for COVID Region Segmentation in
Chest CT using Multi-National Data from China, Italy, Japan
- Title（参考訳）: 中国, イタリア, 日本の多国籍データを用いた胸部CTにおける半監督的学習
- Abstract要約: 新型コロナウイルスはSARS-CoV-2感染の診断と管理に緊急に必要なものとなっている。
近年の取り組みはコンピュータによる特徴付けと診断に重点を置いている。
臨床データセンター間のデータのドメインシフトは、学習ベースのモデルをデプロイする際に深刻な課題となる。
- 参考スコア（独自算出の注目度）: 14.776338073000526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent outbreak of COVID-19 has led to urgent needs for reliable
diagnosis and management of SARS-CoV-2 infection. As a complimentary tool,
chest CT has been shown to be able to reveal visual patterns characteristic for
COVID-19, which has definite value at several stages during the disease course.
To facilitate CT analysis, recent efforts have focused on computer-aided
characterization and diagnosis, which has shown promising results. However,
domain shift of data across clinical data centers poses a serious challenge
when deploying learning-based models. In this work, we attempt to find a
solution for this challenge via federated and semi-supervised learning. A
multi-national database consisting of 1704 scans from three countries is
adopted to study the performance gap, when training a model with one dataset
and applying it to another. Expert radiologists manually delineated 945 scans
for COVID-19 findings. In handling the variability in both the data and
annotations, a novel federated semi-supervised learning technique is proposed
to fully utilize all available data (with or without annotations). Federated
learning avoids the need for sensitive data-sharing, which makes it favorable
for institutions and nations with strict regulatory policy on data privacy.
Moreover, semi-supervision potentially reduces the annotation burden under a
distributed setting. The proposed framework is shown to be effective compared
to fully supervised scenarios with conventional data sharing instead of model
weight sharing.
- Abstract（参考訳）: 新型コロナウイルスの流行により、SARS-CoV-2感染の確実な診断と管理が緊急に必要になった。
補足具として,胸部CTは新型コロナウイルスに特徴的な視覚パターンを明らかにすることができることが示されている。
CT解析を容易にするため,最近の研究はコンピュータ支援による特徴解析と診断に重点を置いており,有望な結果を示している。
しかし、臨床データセンター間のデータのドメインシフトは、学習ベースのモデルをデプロイする際に深刻な課題となる。
本研究では,この課題に対して,フェデレーションとセミ教師付き学習による解決を試みる。
1つのデータセットでモデルをトレーニングし、他の国に適用する場合、パフォーマンスギャップを研究するために、3つの国から1704のスキャンからなる多国籍データベースが採用されている。
専門家の放射線科医は945件の検査を手作業で検査した。
データとアノテーションのばらつきに対処するために、新しいフェデレーション付き半教師付き学習手法を提案し、すべての利用可能なデータ(アノテーションの有無に関わらず)を完全に活用する。
連合学習は機密データ共有の必要性を回避し、データプライバシに関する厳格な規制ポリシーを持つ機関や国にとって有利である。
さらに、半スーパービジョンは分散設定下でのアノテーションの負担を軽減する可能性がある。
提案手法は, モデル重み付けではなく, 従来のデータ共有方式による完全教師付きシナリオと比較して有効であることが示されている。
関連論文リスト
- Bridging the Applicator Gap with Data-Doping:Dual-Domain Learning for Precise Bladder Segmentation in CT-Guided Brachytherapy [0.3058685580689604]
限定的な対象領域データと組み合わせることで、シフト分布からのサンプルが学習を効果的に支援できるかどうかを検討する。
ブラキセラピーを伴わないCTスキャン(アプリケーションケータ:NAは使用できない)は広く利用可能であるが、アプリケーションケータを挿入したスキャン(アプリケーションケータ:WA)は少ない。
本研究では,NA と WA CT データを統合して,堅牢性と一般化性を向上させる2つのドメイン学習戦略を提案する。
論文 参考訳（メタデータ） (2026-01-28T06:50:37Z) - 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) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳（メタデータ） (2021-04-07T16:23:35Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - 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) - 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) - 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) - BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray
dataset [6.5800499500032705]
我々は、Chest X-rays画像(CXR)に基づいて、新型コロナウイルス患者の肺妥協の度合いを判定するエンド・ツー・エンドのディープラーニングアーキテクチャを設計する。
当院で収集した約5,000個のCXR注釈画像の臨床的データセットを利用して検討した。
私たちのソリューションは、評価精度と一貫性において、一人のアノテータよりも優れています。
論文 参考訳（メタデータ） (2020-06-08T13:55:58Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳（メタデータ） (2020-06-06T06:48:40Z)
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。