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: 翻訳完了
• 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

• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• Generative Autoregressive Transformers for Model-Agnostic Federated MRI Reconstruction [5.519160766363227]
  FedGATは、生成的自己回帰変換器に基づくモデルに依存しないFL技術である。 マルチサイトMR画像の分布をキャプチャするグローバルな生成前のトレーニングを分散化する。 フレキシブルなコラボレーションをサポートしながら、より優れたサイト内およびサイト間再構築のパフォーマンスを楽しみます。
  論文  参考訳（メタデータ） (2025-02-06T21:45:16Z)
• Reconstruction Target Matters in Masked Image Modeling for Cross-Domain Few-Shot Learning [10.384302950402969]
  クロスドメインのFew-Shot Learningは、データ固有のソースドメインからデータ中心のターゲットドメインに知識を転送するモデルを必要とする。 Masked Autoencoder (MAE)は、ラベルのないデータを効果的に利用し、画像のグローバル構造を学習する。 本稿ではドメイン非依存型マスケ画像モデリング(DAMIM)を提案する。
  論文  参考訳（メタデータ） (2024-12-26T07:43:01Z)
• Meta-Exploiting Frequency Prior for Cross-Domain Few-Shot Learning [86.99944014645322]
  クロスドメインなFew-Shot学習のための新しいフレームワーク,Meta-Exploiting Frequency Priorを導入する。 各クエリ画像を高周波および低周波成分に分解し,特徴埋め込みネットワークに並列に組み込む。 本フレームワークは、複数のドメイン間数ショット学習ベンチマークにおいて、最先端の新たな結果を確立する。
  論文  参考訳（メタデータ） (2024-11-03T04:02:35Z)
• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• Unity in Diversity: Multi-expert Knowledge Confrontation and Collaboration for Generalizable Vehicle Re-identification [60.20318058777603]
  一般化可能な車両再識別(ReID)は、微調整や再訓練を必要とせず、未知のターゲットドメインに適応可能なモデルの開発を目指している。 これまでの研究は主に、ソースドメイン間のデータ分散を調整することで、ドメイン不変の機能の抽出に重点を置いてきた。 そこで本研究では,この問題を解決するために,2段階のMulti-expert Knowledge Confrontation and Collaboration(MiKeCoCo)手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T04:06:39Z)
• MMR-Mamba: Multi-Modal MRI Reconstruction with Mamba and Spatial-Frequency Information Fusion [17.084083262801737]
  MMR-MambaはMRI再建のためのマルチモーダル機能を完全にかつ効率的に統合する新しいフレームワークである。 具体的には,空間領域におけるTCM(Target modality-guided Cross Mamba)モジュールの設計を行う。 次に、フーリエ領域におけるグローバル情報を効率的に統合するための選択周波数融合(SFF)モジュールを提案する。
  論文  参考訳（メタデータ） (2024-06-27T07:30:54Z)
• 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)
• 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。