論文の概要: FedMed-GAN: Federated Multi-Modal Unsupervised Brain Image Synthesis

• arxiv url: http://arxiv.org/abs/2201.08953v1
• Date: Sat, 22 Jan 2022 02:50:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 14:00:26.833051
• Title: FedMed-GAN: Federated Multi-Modal Unsupervised Brain Image Synthesis
• Title（参考訳）: FedMed-GAN:Federated Multi-Modal Unsupervised Brain Image Synthesis
• Authors: Guoyang Xie, Jinbao Wang, Yawen Huang, Yefeng Zheng, Feng Zheng, Jingkuang Song, Yaochu Jin
• Abstract要約: 我々は、フェデレートされたマルチモーダルな教師なし脳画像合成のための新しいベンチマークを構築した(FedMed-GAN)。 本稿では,FedMed-GANの生成モード崩壊問題を解消し,差分プライバシーによる性能低下を軽減するために,新たなエッジ損失を提案する。
• 参考スコア（独自算出の注目度）: 55.29343228661974
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Utilizing the paired multi-modal neuroimaging data has been proved to be effective to investigate human cognitive activities and certain pathologies. However, it is not practical to obtain the full set of paired neuroimaging data centrally since the collection faces several constraints, e.g., high examination costs, long acquisition time, and even image corruption. In addition, most of the paired neuroimaging data are dispersed into different medical institutions and cannot group together for centralized training considering the privacy issues. Under the circumstance, there is a clear need to launch federated learning and facilitate the integration of other unpaired data from different hospitals or data owners. In this paper, we build up a new benchmark for federated multi-modal unsupervised brain image synthesis (termed as FedMed-GAN) to bridge the gap between federated learning and medical GAN. Moreover, based on the similarity of edge information across multi-modal neuroimaging data, we propose a novel edge loss to solve the generative mode collapse issue of FedMed-GAN and mitigate the performance drop resulting from differential privacy. Compared with the state-of-the-art method shown in our built benchmark, our novel edge loss could significantly speed up the generator convergence rate without sacrificing performance under different unpaired data distribution settings.
• Abstract（参考訳）: 対のマルチモーダルニューロイメージングデータを利用することで、人間の認知活動や特定の病態を解明できることが証明されている。 しかし, 高い検査コスト, 取得時間, 画像の破損といったいくつかの制約に直面するため, 一対のニューロイメージングデータの完全集合を集中的に得ることは実用的ではない。 さらに、ペアの神経画像データのほとんどは、異なる医療機関に分散しており、プライバシー問題を考慮した集中トレーニングのためにグループ化することはできない。 この状況下では、連合学習を起動し、異なる病院やデータ所有者からの他の非ペアデータの統合を促進することは明らかである。 本稿では,フェデレート学習と医学的GANのギャップを埋めるため,フェデレートされたマルチモーダル脳画像合成(FedMed-GAN)のための新しいベンチマークを構築した。 さらに,マルチモーダルニューロイメージングデータ間のエッジ情報の類似性に基づいて,feedmed-ganの生成モード崩壊問題を解決し,差分プライバシーによる性能低下を緩和する新たなエッジ損失を提案する。 構築したベンチマークで示した最先端手法と比較すると,新しいエッジ損失は,異なる非ペアデータ分散環境での性能を犠牲にすることなく,ジェネレータの収束率を大幅に向上させることができる。

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)
• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
  我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。 我々は、FedMRがはるかに高い精度と通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行います。
  論文  参考訳（メタデータ） (2024-05-29T10:56:13Z)
• FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for Federated Learning on Non-IID Data [69.0785021613868]
  フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。 本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。 これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
  論文  参考訳（メタデータ） (2022-05-19T03:32:03Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• Federated Contrastive Learning for Decentralized Unlabeled Medical Images [3.1219977244201056]
  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。
  論文  参考訳（メタデータ） (2021-09-15T18:08:31Z)
• FedDis: Disentangled Federated Learning for Unsupervised Brain Pathology Segmentation [12.863361425822314]
  パラメータ空間を形状と外観に分離するFederated Disentanglement (FedDis)を提案する。 FedDisは、脳MRI画像の解剖学的構造が複数の機関で類似しているという仮定に基づいている。 対象者109名を含む実際の病理データベース上でFedDisの優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-05T14:29:52Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• 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。