論文の概要: Evaluation and Analysis of Different Aggregation and Hyperparameter Selection Methods for Federated Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2202.08261v1
• Date: Wed, 16 Feb 2022 07:49:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-19 07:17:02.844022
• Title: Evaluation and Analysis of Different Aggregation and Hyperparameter Selection Methods for Federated Brain Tumor Segmentation
• Title（参考訳）: フェデレート脳腫瘍分割における凝集率およびハイパーパラメータ選択法の評価と解析
• Authors: Ece Isik-Polat, Gorkem Polat, Altan Kocyigit, Alptekin Temizel
• Abstract要約: 我々は分散学習手法であるフェデレート学習パラダイムに注目した。 研究は、連合学習が従来の中央訓練と競争力を発揮することを示した。 我々は、より高速な収束と優れた性能のための様々な戦略を探求し、強力な非IIDケースでも機能する。
• 参考スコア（独自算出の注目度）: 2.294014185517203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Availability of large, diverse, and multi-national datasets is crucial for the development of effective and clinically applicable AI systems in the medical imaging domain. However, forming a global model by bringing these datasets together at a central location, comes along with various data privacy and ownership problems. To alleviate these problems, several recent studies focus on the federated learning paradigm, a distributed learning approach for decentralized data. Federated learning leverages all the available data without any need for sharing collaborators' data with each other or collecting them on a central server. Studies show that federated learning can provide competitive performance with conventional central training, while having a good generalization capability. In this work, we have investigated several federated learning approaches on the brain tumor segmentation problem. We explore different strategies for faster convergence and better performance which can also work on strong Non-IID cases.
• Abstract（参考訳）: 大規模で多様な多国籍データセットの可用性は、医用画像領域における効果的な臨床応用AIシステムの開発に不可欠である。 しかし、これらのデータセットを中央に集めてグローバルモデルを形成すると、さまざまなデータプライバシやオーナシップの問題が発生する。 これらの問題を解決するために、近年のいくつかの研究は、分散データのための分散学習アプローチである連合学習パラダイムに焦点を当てている。 連合学習は、協力者のデータを共有したり、中央サーバーで収集したりする必要なしに、利用可能なすべてのデータを活用する。 研究によると、連合学習は従来の中央訓練と競合し、優れた一般化能力を有する。 本研究では,脳腫瘍の分節問題に対するフェデレート学習手法について検討した。 強力な非iidケースでも動作可能な,より高速な収束とパフォーマンス向上のための,さまざまな戦略を探求する。

関連論文リスト

• Metadata-Driven Federated Learning of Connectional Brain Templates in Non-IID Multi-Domain Scenarios [8.482054595307966]
  そこで我々はメタFedCBTと呼ばれるメタデータ駆動のフェデレーション学習フレームワークを提案する。 本モデルは,ローカルクライアントベースの回帰器ネットワークを導入することで,メタデータを完全に教師付きで学習することを目的としている。 我々の教師付きメタデータ生成アプローチは、特定の脳状態のより中心的で代表的で総合的なCBTの教師なし学習を促進する。
  論文  参考訳（メタデータ） (2024-03-14T07:38:22Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
  医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。 最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。 ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
  論文  参考訳（メタデータ） (2022-06-20T23:49:38Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Federated Learning for Multi-Center Imaging Diagnostics: A Study in Cardiovascular Disease [0.8687046723936027]
  心臓血管磁気共鳴(CMR)のモダリティに関する第1回フェデレート学習研究について紹介する。 我々は、肥大型心筋症(HCM)の診断に焦点を当て、M&MデータセットとACDCデータセットのサブセットから派生した4つのセンターを使用する。 データのサイズが小さい(4つのセンターから180の被験者を抽出)にもかかわらず、プライバシ保護のためのフェデレーション学習が有望な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-07-07T08:54:08Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。 現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。 本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T11:27:14Z)
• Multi-Center Federated Learning [62.57229809407692]
  本稿では,フェデレート学習のための新しい多中心集約機構を提案する。 非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。 ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-03T09:14:31Z)
• 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。