論文の概要: Cross-Domain Federated Learning in Medical Imaging

• arxiv url: http://arxiv.org/abs/2112.10001v1
• Date: Sat, 18 Dec 2021 21:12:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 14:57:25.279296
• Title: Cross-Domain Federated Learning in Medical Imaging
• Title（参考訳）: 医療画像におけるクロスドメインフェデレート学習
• Authors: Vishwa S Parekh, Shuhao Lai, Vladimir Braverman, Jeff Leal, Steven Rowe, Jay J Pillai, Michael A Jacobs
• Abstract要約: 医療画像の分野では、さまざまなデータセンタに分散した大規模データセット上で、ディープラーニングモデルをトレーニングするために、フェデレーション学習が研究されている。 オブジェクト検出とセグメンテーションの2つの異なる実験環境におけるタスクに対するクロスドメイン・フェデレーション学習の評価を行った。 本結果は,異なるドメインからのデータを共有することなく,マルチドメイン・マルチタスク深層学習モデルを開発する上でのフェデレート学習の可能性を示す。
• 参考スコア（独自算出の注目度）: 9.67991890912034
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated learning is increasingly being explored in the field of medical imaging to train deep learning models on large scale datasets distributed across different data centers while preserving privacy by avoiding the need to transfer sensitive patient information. In this manuscript, we explore federated learning in a multi-domain, multi-task setting wherein different participating nodes may contain datasets sourced from different domains and are trained to solve different tasks. We evaluated cross-domain federated learning for the tasks of object detection and segmentation across two different experimental settings: multi-modal and multi-organ. The result from our experiments on cross-domain federated learning framework were very encouraging with an overlap similarity of 0.79 for organ localization and 0.65 for lesion segmentation. Our results demonstrate the potential of federated learning in developing multi-domain, multi-task deep learning models without sharing data from different domains.
• Abstract（参考訳）: 医療画像の分野では、さまざまなデータセンタに分散した大規模データセット上でディープラーニングモデルをトレーニングし、センシティブな患者情報を転送する必要なしにプライバシを保存するために、フェデレーション学習が研究されている。 本稿では,複数ドメインのマルチタスク設定において,異なるノードが異なるドメインから派生したデータセットを格納し,異なるタスクを解くための訓練を行う。 マルチモーダルとマルチオーガンの2つの異なる実験環境でのオブジェクト検出とセグメンテーションタスクのためのクロスドメインフェデレーション学習を評価した。 クロスドメインフェデレーション学習フレームワークを用いた実験の結果,臓器局在が0.79,病変分節が0.65と重なり,非常に有意な類似性が得られた。 本結果は,異なるドメインからのデータを共有することなく,マルチドメイン・マルチタスク深層学習モデルを開発する上でのフェデレート学習の可能性を示す。

関連論文リスト

• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Variational Attention: Propagating Domain-Specific Knowledge for Multi-Domain Learning in Crowd Counting [75.80116276369694]
  群集カウントでは, 激しいラベル付けの問題により, 新しい大規模データセットを収集する難易度が知覚される。 マルチドメイン共同学習を活用し,DKPNet(Domain-specific Knowledge Propagating Network)を提案する。 主に、異なるドメインに対する注意分布を明示的にモデル化する、新しい変動注意法(VA)技術を提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:06:37Z)
• Multimodal Clustering Networks for Self-supervised Learning from Unlabeled Videos [69.61522804742427]
  本稿では,共通のマルチモーダル埋め込み空間を学習する自己監督型トレーニングフレームワークを提案する。 インスタンスレベルのコントラスト学習の概念をマルチモーダルクラスタリングステップで拡張し,モダリティ間の意味的類似性を捉える。 結果として得られる埋め込みスペースは、見えないデータセットや異なるドメインからでも、すべてのモダリティにわたるサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2021-04-26T15:55:01Z)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)
• DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image Segmentation on Unseen Datasets [96.92018649136217]
  対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。 私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。 本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
  論文  参考訳（メタデータ） (2020-10-13T07:28:39Z)
• Domain Adaptive Relational Reasoning for 3D Multi-Organ Segmentation [17.504340316130023]
  本手法は,医用画像の内部構造間の空間的関係が比較的固定されていることに着想を得たものである。 我々はジグソーパズルタスクを解くことで空間的関係を定式化し、シャッフルパッチからCTスキャンを復元し、臓器分割タスクと共同で訓練する。 学習した空間関係が複数の領域に伝達可能であることを保証するため,1) 分割モデルと協調して訓練された超解像ネットワークを用いて,異なる領域からの医用画像の標準化,2) テスト時間ジグソーパズルトレーニングによるテスト画像の空間関係の適応,の2つのスキームを導入する。
  論文  参考訳（メタデータ） (2020-05-18T22:44:34Z)
• 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。