論文の概要: FedDis: Disentangled Federated Learning for Unsupervised Brain Pathology Segmentation

• arxiv url: http://arxiv.org/abs/2103.03705v1
• Date: Fri, 5 Mar 2021 14:29:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-08 14:54:52.420383
• Title: FedDis: Disentangled Federated Learning for Unsupervised Brain Pathology Segmentation
• Title（参考訳）: FedDis: 教師なし脳病理区分のための離散型フェデレーション学習
• Authors: Cosmin I. Bercea, Benedikt Wiestler, Daniel Rueckert and Shadi Albarqouni
• Abstract要約: パラメータ空間を形状と外観に分離するFederated Disentanglement (FedDis)を提案する。 FedDisは、脳MRI画像の解剖学的構造が複数の機関で類似しているという仮定に基づいている。 対象者109名を含む実際の病理データベース上でFedDisの優れた性能を示す。
• 参考スコア（独自算出の注目度）: 12.863361425822314
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, data-driven machine learning (ML) methods have revolutionized the computer vision community by providing novel efficient solutions to many unsolved (medical) image analysis problems. However, due to the increasing privacy concerns and data fragmentation on many different sites, existing medical data are not fully utilized, thus limiting the potential of ML. Federated learning (FL) enables multiple parties to collaboratively train a ML model without exchanging local data. However, data heterogeneity (non-IID) among the distributed clients is yet a challenge. To this end, we propose a novel federated method, denoted Federated Disentanglement (FedDis), to disentangle the parameter space into shape and appearance, and only share the shape parameter with the clients. FedDis is based on the assumption that the anatomical structure in brain MRI images is similar across multiple institutions, and sharing the shape knowledge would be beneficial in anomaly detection. In this paper, we leverage healthy brain scans of 623 subjects from multiple sites with real data (OASIS, ADNI) in a privacy-preserving fashion to learn a model of normal anatomy, that allows to segment abnormal structures. We demonstrate a superior performance of FedDis on real pathological databases containing 109 subjects; two publicly available MS Lesions (MSLUB, MSISBI), and an in-house database with MS and Glioblastoma (MSI and GBI). FedDis achieved an average dice performance of 0.38, outperforming the state-of-the-art (SOTA) auto-encoder by 42% and the SOTA federated method by 11%. Further, we illustrate that FedDis learns a shape embedding that is orthogonal to the appearance and consistent under different intensity augmentations.
• Abstract（参考訳）: 近年、データ駆動機械学習(ML)手法は、未解決の(医学的な)画像分析問題に対する新しい効率的なソリューションを提供することで、コンピュータビジョンコミュニティに革命をもたらしました。 しかし、多くの異なるサイトにおけるプライバシーの懸念とデータの断片化が増加しているため、既存の医療データは十分に利用されず、MLの可能性を制限する。 フェデレーションラーニング(FL)により、複数のパーティがローカルデータを交換することなく、MLモデルを共同でトレーニングできます。 しかし、分散クライアント間のデータ不均一性(非IID)はまだ課題です。 そこで我々は,フェデレーション・ディエンタングルメント(Federated Disentanglement, Federated Disentanglement, FedDis)という新しいフェデレーション手法を提案し,パラメータ空間を形状と外観に切り離し,シェイプ・パラメータをクライアントと共有する。 FedDisは、脳MRI画像の解剖学的構造が複数の機関で類似しているという仮定に基づいており、形状知識を共有することは異常検出に有用である。 本稿では,実データ(oasis, adni)を持つ複数のサイトから得られた623名の健常者の脳スキャンを用いて,正常解剖モデルの学習を行い,異常構造のセグメント化を可能にする。 MSISBIとMSとGlioblastoma(MSIとGBI)の社内データベースの2つの公開MS Lesions(MSLUB、MSSISBI)を含む実際の病理学的データベース上でのFedDisの優れたパフォーマンスを実証します。 FedDisは0.38の平均ダイス性能を達成し、最先端の(SOTA)オートエンコーダを42%、SOTAフェデレーション方式を11%上回った。 さらに,feeddisは,外観と直交し,異なる強度拡張下で一貫性のある形状埋め込みを学習することを示す。

関連論文リスト

• Feasibility of Federated Learning from Client Databases with Different Brain Diseases and MRI Modalities [5.629645463085369]
  MRIの脳病変のモデルは通常、特定の疾患のために開発され、事前に定義されたMRIモダリティのセットでデータに基づいて訓練される。 この訓練パラダイムは、モデルが異種データベースから学習する利点を使用するのを防ぐ。 モデルとトレーニング戦略の適切な,シンプルな,実践的な変更を組み合わせることで,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-06-17T15:16:18Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Learning Personalized Brain Functional Connectivity of MDD Patients from Multiple Sites via Federated Bayesian Networks [9.873532358701803]
  我々は,複数のベイズネットワークの同時学習のための連合型共同推定器NOTEARS-PFLを提案する。 合成および実世界のマルチサイトRS-fMRIデータセットにおける提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-01-06T08:58:06Z)
• FedNorm: Modality-Based Normalization in Federated Learning for Multi-Modal Liver Segmentation [9.203390025029883]
  肝セグメンテーションは、診断および経過観察のために、CTおよびMRI画像を分析する最も一般的な方法の1つである。 近年のディープラーニングの進歩は, 自動肝セグメンテーションの促進効果を示している。 分散クライアント上で共有グローバルモデルをトレーニングすることで、課題を軽減するソリューションとして、フェデレートラーニング(Federated Learning)が提案されている。 モーダリティに基づく正規化手法を用いた2つのフェデレート学習アルゴリズムであるFednormとその拡張フェデノープを提案する。
  論文  参考訳（メタデータ） (2022-05-23T07:34:34Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)
• 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。