Fugu-MT 論文翻訳(概要): Peer Learning for Skin Lesion Classification

論文の概要: Peer Learning for Skin Lesion Classification

arxiv url: http://arxiv.org/abs/2103.03703v1
Date: Fri, 5 Mar 2021 14:26:15 GMT
ステータス: 処理完了
システム内更新日: 2021-03-08 14:49:41.479464
Title: Peer Learning for Skin Lesion Classification
Title（参考訳）: 皮膚病変分類のためのピアラーニング
Authors: Tariq Bdair, Nassir Navab and Shadi Albarqouni
Abstract要約: 皮膚がんは世界で最も致命的ながんの1つである。近年の深層学習法は皮膚がんの分類において皮膚科医レベルの性能を示した。 FedPerlは半教師付きフェデレーション学習方法です。
参考スコア（独自算出の注目度）: 53.425900196763756
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Skin cancer is one of the most deadly cancers worldwide. Yet, it can be reduced by early detection. Recent deep-learning methods have shown a dermatologist-level performance in skin cancer classification. Yet, this success demands a large amount of centralized data, which is oftentimes not available. Federated learning has been recently introduced to train machine learning models in a privacy-preserved distributed fashion demanding annotated data at the clients, which is usually expensive and not available, especially in the medical field. To this end, we propose FedPerl, a semi-supervised federated learning method that utilizes peer learning from social sciences and ensemble averaging from committee machines to build communities and encourage its members to learn from each other such that they produce more accurate pseudo labels. We also propose the peer anonymization (PA) technique as a core component of FedPerl. PA preserves privacy and reduces the communication cost while maintaining the performance without additional complexity. We validated our method on 38,000 skin lesion images collected from 4 publicly available datasets. FedPerl achieves superior performance over the baselines and state-of-the-art SSFL by 15.8%, and 1.8% respectively. Further, FedPerl shows less sensitivity to noisy clients.
Abstract（参考訳）: 皮膚がんは世界で最も致命的ながんの1つである。しかし、早期検出によって減少する可能性がある。近年の深層学習法は皮膚がんの分類において皮膚科医レベルの性能を示した。しかし、この成功には大量の集中型データが必要です。フェデレーションラーニングは最近導入され、特に医療分野では高価で利用できないアノテーション付きデータをクライアントに要求する、プライバシー保護された分散方式で機械学習モデルをトレーニングする。そこで本研究では,社会科学からのピアラーニングと,委員会機械からの平均的なアンサンブルを活用した半教師付きフェデレーション学習手法であるfederlを提案する。また、FedPerlのコアコンポーネントとしてピア匿名化(PA)手法を提案する。 PAはプライバシーを保ち、追加の複雑さなしにパフォーマンスを維持しながら通信コストを削減します。 4つの公開データセットから採取した38,000枚の皮膚病変画像について検討を行った。 FedPerlはベースラインと最先端のSSFLよりも15.8%向上し、それぞれ1.8%向上した。さらに、FedPerlは騒々しいクライアントに対する感度が低い。