論文の概要: FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis

• arxiv url: http://arxiv.org/abs/2201.08953v3
• Date: Sun, 23 Apr 2023 03:43:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-26 00:42:37.765199
• Title: FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis
• Title（参考訳）: FedMed-GAN:unsupervised cross-Modality Brain Image synthesisにおけるドメイン翻訳
• Authors: Jinbao Wang, Guoyang Xie, Yawen Huang, Jiayi Lyu, Yefeng Zheng, Feng Zheng, Yaochu Jin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.939957482776194
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Utilizing 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 cost, long acquisition time, and image corruption. In addition, these data are dispersed into different medical institutions and thus cannot be aggregated for centralized training considering the privacy issues. There is a clear need to launch a federated learning and facilitate the integration of the dispersed data from different institutions. In this paper, we propose a new benchmark for federated domain translation on unsupervised brain image synthesis (termed as FedMed-GAN) to bridge the gap between federated learning and medical GAN. FedMed-GAN mitigates the mode collapse without sacrificing the performance of generators, and is widely applied to different proportions of unpaired and paired data with variation adaptation property. We treat the gradient penalties by federally averaging algorithm and then leveraging differential privacy gradient descent to regularize the training dynamics. A comprehensive evaluation is provided for comparing FedMed-GAN and other centralized methods, which shows the new state-of-the-art performance by our FedMed-GAN. Our code has been released on the website: https://github.com/M-3LAB/FedMed-GAN
• Abstract（参考訳）: マルチモーダルニューロイメージングデータの利用は、人間の認知活動や特定の病態を調査するのに有効であ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、これらのデータは異なる医療機関に分散されているため、プライバシー問題を考慮して集中的なトレーニングを行うことはできない。 異なる機関からの分散データの統合を促進するために、連邦学習の立ち上げが明らかに必要である。 本稿では、フェデレート学習と医学GANのギャップを埋めるため、教師なし脳画像合成(FedMed-GAN)におけるフェデレーションドメイン翻訳の新しいベンチマークを提案する。 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し、可変適応特性を持つ未ペアデータとペアデータの異なる割合に広く適用されている。 我々は、連邦平均アルゴリズムを用いて勾配ペナルティを扱い、その後、ディファレンシャルプライバシ勾配降下を利用してトレーニングダイナミクスを規則化する。 FedMed-GANと他の集中型手法を比較し,FedMed-GANによる新たな最先端性能を示す総合評価を行った。 私たちのコードはウェブサイトでリリースされた。 https://github.com/m-3lab/fedmed-gan

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。