論文の概要: Federated Contrastive Learning for Decentralized Unlabeled Medical Images

• arxiv url: http://arxiv.org/abs/2109.07504v1
• Date: Wed, 15 Sep 2021 18:08:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-18 09:32:58.442837
• Title: Federated Contrastive Learning for Decentralized Unlabeled Medical Images
• Title（参考訳）: 非分散型医用画像に対するFederated Contrastive Learning
• Authors: Nanqing Dong and Irina Voiculescu
• Abstract要約: FedMoCoは、分散化された未ラベルの医療データのための強力な対照的な学習フレームワークである。 私たちの知る限りでは、医療画像に関する最初のFCL研究である。
• 参考スコア（独自算出の注目度）: 3.1219977244201056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A label-efficient paradigm in computer vision is based on self-supervised contrastive pre-training on unlabeled data followed by fine-tuning with a small number of labels. Making practical use of a federated computing environment in the clinical domain and learning on medical images poses specific challenges. In this work, we propose FedMoCo, a robust federated contrastive learning (FCL) framework, which makes efficient use of decentralized unlabeled medical data. FedMoCo has two novel modules: metadata transfer, an inter-node statistical data augmentation module, and self-adaptive aggregation, an aggregation module based on representational similarity analysis. To the best of our knowledge, this is the first FCL work on medical images. Our experiments show that FedMoCo can consistently outperform FedAvg, a seminal federated learning framework, in extracting meaningful representations for downstream tasks. We further show that FedMoCo can substantially reduce the amount of labeled data required in a downstream task, such as COVID-19 detection, to achieve a reasonable performance.
• Abstract（参考訳）: コンピュータビジョンにおけるラベル効率のよいパラダイムは、ラベルのないデータに対する自己教師付きコントラストプリトレーニングと、少数のラベルによる微調整に基づいている。 臨床領域における連合コンピューティング環境の実用化と医用画像の学習は、具体的な課題である。 本稿ではFedMoCoを提案する。FedMoCoは、分散化された非ラベル医療データを効率的に活用する、堅牢なFCLフレームワークである。 fedmocoには2つの新しいモジュールがある:メタデータ転送、ノード間の統計データ拡張モジュール、自己適応アグリゲーション、表現的類似性分析に基づくアグリゲーションモジュール。 私たちの知る限りでは、これは医療画像に関する最初のfcl作業です。 実験の結果,FedMoCoは,フェデラルなフェデレーション学習フレームワークであるFedAvgを一貫して上回り,下流タスクの有意義な表現を抽出できることがわかった。 さらに、FedMoCoは、新型コロナウイルス検出などの下流タスクに必要なラベル付きデータを大幅に削減し、適切なパフォーマンスを達成することができることを示す。

関連論文リスト

• FedGS: Federated Gradient Scaling for Heterogeneous Medical Image Segmentation [0.4499833362998489]
  そこで本研究では,FedGSという新しいFLアグリゲーション手法を提案する。 FedGSは、特に小さな病変に対して、PolypGenとLiTSデータセット間で、FedAvgよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-08-21T15:26:21Z)
• Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation [9.93871075239635]
  より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。 本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。 本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-17T06:36:43Z)
• UniMOS: A Universal Framework For Multi-Organ Segmentation Over Label-Constrained Datasets [6.428456997507811]
  完全かつ部分的にラベル付けされた画像とラベル付けされていない画像の活用を実現するための,初のユニバーサルフレームワークであるUniMOSを提案する。 我々は、一貫した正規化とラベルなしデータに対する擬似ラベル付け技術を組み合わせた半教師付きトレーニングモジュールを組み込んだ。 実験の結果,他の先進的な手法と比較して,いくつかの医用画像分割作業において優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2023-11-17T00:44:56Z)
• SelfFed: Self-supervised Federated Learning for Data Heterogeneity and Label Scarcity in IoMT [17.07904450821442]
  IoMT(Internet of Medical Things)のためのSelfFedフレームワークを提案する。 提案するSelfFedフレームワークは,2つのフェーズで動作する。第1フェーズは,拡張モデリングを行う事前学習パラダイムである。 第2フェーズは、コントラストネットワークと新しいアグリゲーション戦略を導入した微調整パラダイムである。
  論文  参考訳（メタデータ） (2023-07-04T06:50:16Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• 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)
• Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
  フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。 本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。 本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:58:00Z)
• 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)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。