論文の概要: Specificity-Preserving Federated Learning for MR Image Reconstruction
- arxiv url: http://arxiv.org/abs/2112.05752v1
- Date: Thu, 9 Dec 2021 22:13:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-18 21:07:06.773839
- Title: Specificity-Preserving Federated Learning for MR Image Reconstruction
- Title(参考訳): MR画像再構成のための特異性保存フェデレーション学習
- Authors: Chun-Mei Feng and Yunlu Yan and Huazhu Fu and Yong Xu and Ling Shao
- Abstract要約: 統合学習は、磁気共鳴(MR)画像再構成におけるデータのプライバシーと効率を改善するために使用できる。
近年のFL技術は、グローバルモデルの一般化を強化することで、この問題を解決する傾向にある。
MR画像再構成のための特異性保存FLアルゴリズム(FedMRI)を提案する。
- 参考スコア(独自算出の注目度): 94.58912814426122
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning (FL) can be used to improve data privacy and efficiency in
magnetic resonance (MR) image reconstruction by enabling multiple institutions
to collaborate without needing to aggregate local data. However, the domain
shift caused by different MR imaging protocols can substantially degrade the
performance of FL models. Recent FL techniques tend to solve this by enhancing
the generalization of the global model, but they ignore the domain-specific
features, which may contain important information about the device properties
and be useful for local reconstruction. In this paper, we propose a
specificity-preserving FL algorithm for MR image reconstruction (FedMRI). The
core idea is to divide the MR reconstruction model into two parts: a globally
shared encoder to obtain a generalized representation at the global level, and
a client-specific decoder to preserve the domain-specific properties of each
client, which is important for collaborative reconstruction when the clients
have unique distribution. Moreover, to further boost the convergence of the
globally shared encoder when a domain shift is present, a weighted contrastive
regularization is introduced to directly correct any deviation between the
client and server during optimization. Extensive experiments demonstrate that
our FedMRI's reconstructed results are the closest to the ground-truth for
multi-institutional data, and that it outperforms state-of-the-art FL methods.
- Abstract(参考訳): フェデレートラーニング(FL)は、複数の機関がローカルデータを集約することなく協力できるようにすることにより、MR画像再構成におけるデータのプライバシーと効率を改善するために用いられる。
しかし、異なるMRイメージングプロトコルによって引き起こされる領域シフトは、FLモデルの性能を著しく低下させることができる。
近年のFL技術は,グローバルモデルの一般化によりこれを解消する傾向にあるが,デバイス特性に関する重要な情報を含むドメイン固有の特徴を無視し,局所的な再構築に有用である。
本稿では,MR画像再構成(FedMRI)のための特異性保存FLアルゴリズムを提案する。
MR再構成モデルは,グローバルレベルでの汎用表現を実現するグローバル共有エンコーダと,各クライアントのドメイン固有の特性を保持するクライアント固有のデコーダの2つの部分に分けられる。
さらに、ドメインシフトが存在する場合のグローバル共有エンコーダの収束をさらに促進するため、最適化中にクライアントとサーバ間の偏差を直接補正する重み付きコントラスト正規化を導入する。
広範な実験により,fedmriの再構成結果が多施設データに最も近いことを証明し,最先端fl法を上回った。
関連論文リスト
- In-Domain GAN Inversion for Faithful Reconstruction and Editability [132.68255553099834]
ドメイン誘導型ドメイン正規化とエンコーダで構成されたドメイン内GANインバージョンを提案し、事前学習されたGANモデルのネイティブ潜在空間における反転コードを正規化する。
エンコーダ構造,開始反転点,および逆パラメータ空間の効果を総合的に解析し,再構成品質と編集特性とのトレードオフを観察する。
論文 参考訳(メタデータ) (2023-09-25T08:42:06Z) - CAMP-Net: Consistency-Aware Multi-Prior Network for Accelerated MRI
Reconstruction [4.967600587813224]
k空間データをMRIでアンサンプすることでスキャン時間が短縮されるが、画像再構成において課題が生じる。
CAMP-Net は,MRI の高速化のためのアンロール型 Consistency-Aware Multi-Prior Network を提案する。
論文 参考訳(メタデータ) (2023-06-20T02:21:45Z) - FedDAR: Federated Domain-Aware Representation Learning [14.174833360938806]
クロスサイロ・フェデレーション・ラーニング(FL)は、医療のための機械学習アプリケーションにおいて有望なツールとなっている。
本稿では,ドメイン共有表現とドメインワイド・パーソナライズされた予測ヘッドを学習する新しい手法であるFedDARを提案する。
論文 参考訳(メタデータ) (2022-09-08T19:18:59Z) - Transformer-based Context Condensation for Boosting Feature Pyramids in
Object Detection [77.50110439560152]
現在の物体検出器は、通常マルチレベル特徴融合(MFF)のための特徴ピラミッド(FP)モジュールを持つ。
我々は,既存のFPがより優れたMFF結果を提供するのに役立つ,新しい,効率的なコンテキストモデリング機構を提案する。
特に,包括的文脈を2種類の表現に分解・凝縮して高効率化を図っている。
論文 参考訳(メタデータ) (2022-07-14T01:45:03Z) - Federated Learning of Generative Image Priors for MRI Reconstruction [5.3963856146595095]
マルチインスティカルな取り組みは、画像データのクロスサイト共有中にプライバシー上のリスクが発生するにもかかわらず、ディープMRI再構成モデルのトレーニングを容易にする。
FedGIMP (FedGIMP) を用いた新しいMRI再構成法を提案する。
FedGIMPは、2段階のアプローチを利用する: 生成MRIのクロスサイト学習と、イメージングオペレーターの主題固有の注入である。
論文 参考訳(メタデータ) (2022-02-08T22:17:57Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳(メタデータ) (2022-01-23T21:58:19Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳(メタデータ) (2021-06-16T15:56:34Z) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳(メタデータ) (2021-03-03T03:04:40Z) - Joint Frequency and Image Space Learning for MRI Reconstruction and
Analysis [7.821429746599738]
本稿では、周波数空間データから再構成するための汎用的なビルディングブロックとして、周波数と画像の特徴表現を明示的に組み合わせたニューラルネットワーク層が利用できることを示す。
提案した共同学習方式により、周波数空間に固有のアーティファクトの補正と画像空間表現の操作を両立させ、ネットワークのすべての層でコヒーレントな画像構造を再構築することができる。
論文 参考訳(メタデータ) (2020-07-02T23:54:46Z)
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。