論文の概要: Multi-task Federated Learning for Heterogeneous Pancreas Segmentation

• arxiv url: http://arxiv.org/abs/2108.08537v1
• Date: Thu, 19 Aug 2021 07:24:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-21 01:04:39.683246
• Title: Multi-task Federated Learning for Heterogeneous Pancreas Segmentation
• Title（参考訳）: 異種膵セグメンテーションのためのマルチタスクフェデレート学習
• Authors: Chen Shen, Pochuan Wang, Holger R. Roth, Dong Yang, Daguang Xu, Masahiro Oda, Weichung Wang, Chiou-Shann Fuh, Po-Ting Chen, Kao-Lang Liu, Wei-Chih Liao, Kensaku Mori
• Abstract要約: マルチタスク環境では,医用画像セグメンテーションのためのフェデレーション学習がより困難になる。 バニラフェデレーション平均化アルゴリズムにより、より一般化可能なディープラーニングベースのセグメンテーションモデルを得ることができる。 FL設定の腹部CT像では膵・膵腫瘍の自動分画が改善した。
• 参考スコア（独自算出の注目度）: 7.9720650899875825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) for medical image segmentation becomes more challenging in multi-task settings where clients might have different categories of labels represented in their data. For example, one client might have patient data with "healthy'' pancreases only while datasets from other clients may contain cases with pancreatic tumors. The vanilla federated averaging algorithm makes it possible to obtain more generalizable deep learning-based segmentation models representing the training data from multiple institutions without centralizing datasets. However, it might be sub-optimal for the aforementioned multi-task scenarios. In this paper, we investigate heterogeneous optimization methods that show improvements for the automated segmentation of pancreas and pancreatic tumors in abdominal CT images with FL settings.
• Abstract（参考訳）: 医療画像分割のためのフェデレーション学習(fl)は、クライアントがデータに表現されるラベルのカテゴリが異なるマルチタスク設定において、より困難になる。 例えば、あるクライアントが"healthy''' pancreasesを持つ患者データを持っているのに対して、他のクライアントからのデータセットは膵腫瘍の患者を含む可能性がある。 バニラフェデレーション平均化アルゴリズムにより、データセットを集中することなく、複数の機関からのトレーニングデータを表すより一般化可能なディープラーニングベースのセグメンテーションモデルを得ることができる。 しかし、前述のマルチタスクシナリオでは、サブ最適かもしれません。 本稿では,FL設定の腹部CT画像における膵・膵腫瘍の自動分節化の改善を示す異種最適化手法について検討する。

関連論文リスト

• AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation [6.471203541258319]
  本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。 オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。 拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
  論文  参考訳（メタデータ） (2024-03-05T21:07:50Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Explainable Semantic Medical Image Segmentation with Style [7.074258860680265]
  ラベル付きデータのみを限定して一般化可能なセグメンテーションを実現するための,完全教師付き生成フレームワークを提案する。 提案手法は,エンド・ツー・エンドの対角訓練を取り入れたセグメンテーション・タスク駆動型識別器と組み合わせた医用画像スタイルを作成する。 完全セマンティックで公開可能なペルビウスデータセットの実験では、我々の手法は他の最先端の手法よりも、シフトに対してより一般化可能であることが示された。
  論文  参考訳（メタデータ） (2023-03-10T04:34:51Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Federated Multi-organ Segmentation with Inconsistent Labels [14.096407787470701]
  フェデレートラーニング(Federated Learning)は、さまざまなデータオーナ間でデータを共有することなく、大規模な分散学習を可能にする、新たなパラダイムである。 実際には、各臨床部位は他の部位と部分的にまたは全く重複しない特定の臓器にのみ注釈を付けることができる。 本研究は, フェデレーション型マルチエンコードU-Net (Fed-MENU) 法を多臓器セグメンテーションに適用することにより, この問題に対処する。
  論文  参考訳（メタデータ） (2022-06-14T20:34:40Z)
• Data variation-aware medical image segmentation [0.0]
  我々は,この領域におけるこれまでの作業を改善するアプローチを提案する。 前立腺分画によるCTスキャンの実際の臨床データセットを用いた実験では,Diceおよび表面Dice係数の面で,いくつかのパーセンテージが向上した。
  論文  参考訳（メタデータ） (2022-02-24T13:35:34Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)
• 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)
• Observer variation-aware medical image segmentation by combining deep learning and surrogate-assisted genetic algorithms [0.0]
  セグメンテーションの異なるスタイルを模倣できるアプローチを提案する。 我々のアプローチは、全データでトレーニングされた1つのネットワークと比較して、Diceおよび表面Dice係数の最大23%の改善を提供する。
  論文  参考訳（メタデータ） (2020-01-23T14:51:40Z)

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。