論文の概要: Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases

• arxiv url: http://arxiv.org/abs/2203.07345v1
• Date: Mon, 14 Mar 2022 17:44:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 13:21:07.014684
• Title: Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases
• Title（参考訳）: フェデレーションサイクリング(fedcy) : 半教師付きフェデレーション学習
• Authors: Hasan Kassem, Deepak Alapatt, Pietro Mascagni, AI4SafeChole Consortium, Alexandros Karargyris, Nicolas Padoy
• Abstract要約: FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
• 参考スコア（独自算出の注目度）: 57.90226879210227
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advancements in deep learning methods bring computer-assistance a step closer to fulfilling promises of safer surgical procedures. However, the generalizability of such methods is often dependent on training on diverse datasets from multiple medical institutions, which is a restrictive requirement considering the sensitive nature of medical data. Recently proposed collaborative learning methods such as Federated Learning (FL) allow for training on remote datasets without the need to explicitly share data. Even so, data annotation still represents a bottleneck, particularly in medicine and surgery where clinical expertise is often required. With these constraints in mind, we propose FedCy, a federated semi-supervised learning (FSSL) method that combines FL and self-supervised learning to exploit a decentralized dataset of both labeled and unlabeled videos, thereby improving performance on the task of surgical phase recognition. By leveraging temporal patterns in the labeled data, FedCy helps guide unsupervised training on unlabeled data towards learning task-specific features for phase recognition. We demonstrate significant performance gains over state-of-the-art FSSL methods on the task of automatic recognition of surgical phases using a newly collected multi-institutional dataset of laparoscopic cholecystectomy videos. Furthermore, we demonstrate that our approach also learns more generalizable features when tested on data from an unseen domain.
• Abstract（参考訳）: 近年の深層学習技術の進歩により,コンピュータ・アシスタンスがより安全な手術手順の実現に一歩近づいた。 しかし、そのような手法の一般化可能性はしばしば、医療データの繊細な性質を考慮して、複数の医療機関からの多様なデータセットの訓練に依存する。 近年提案されているfederated learning (fl) のような協調学習手法は,データを明示的に共有することなく遠隔データセット上でのトレーニングを可能にする。 それでもなお、特に臨床専門知識を必要とする医学や手術において、データアノテーションは依然としてボトルネックとなっている。 これらの制約を念頭に置いて,flと自己教師付き学習を組み合わせたフェデレート半教師付き学習(fssl)手法であるfederated semi-supervised learning)を提案する。 ラベル付きデータの時間パターンを活用することで、feedcyはラベルなしデータの教師なしトレーニングを、フェーズ認識のためのタスク固有の学習機能へと導くのに役立つ。 腹腔鏡下胆嚢摘出術ビデオの多施設データセットを用いて,術期自動認識作業における最先端のFSSL法よりも有意な成績を示した。 さらに,我々のアプローチは,未認識のドメインからのデータでテストした場合,より汎用的な機能も学習できることを実証する。

関連論文リスト

• Jumpstarting Surgical Computer Vision [2.7396997668655163]
  我々は、多様な外科的データセットを柔軟に活用するために、自己教師付き学習を採用する。 腹腔鏡下胆嚢摘出術と腹腔鏡下子宮摘出術の位相認識と安全性の検討を行った。 事前トレーニングデータセットの構成は、さまざまな下流タスクに対するSSLメソッドの有効性に大きな影響を与える可能性がある。
  論文  参考訳（メタデータ） (2023-12-10T18:54:16Z)
• Deep Anatomical Federated Network (Dafne): an open client/server framework for the continuous collaborative improvement of deep-learning-based medical image segmentation [0.0]
  Dafneソリューションは、システムのユーザの集合的知識を活用する、継続的に進化するディープラーニングモデルを実装している。 Dafneは、システムのユーザの集合的知識を活用する、継続的に進化するディープラーニングモデルを実装する、最初の分散型で協調的なソリューションである。 Dafneを通じてデプロイされたモデルは、時間とともにパフォーマンスを改善し、トレーニングセットにないデータタイプに一般化することができる。
  論文  参考訳（メタデータ） (2023-02-13T13:35:09Z)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• FLICU: A Federated Learning Workflow for Intensive Care Unit Mortality Prediction [4.16749898760461]
  医療データは敏感で、厳格なプライバシー慣行を必要とし、典型的にはデータサイロに保存される。 フェデレーション学習は、データサイロ上で機械学習モデルをトレーニングすることで、これらの制限を対処することができる。 本研究はICU死亡予測のための連合学習ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-05-30T13:45:56Z)
• Federated Contrastive Learning for Volumetric Medical Image Segmentation [16.3860181959878]
  フェデレートラーニング(FL)は、プライバシのためのトレーニングデータをローカルに保持しながら、共有モデルを学ぶことで、この点において役立つ。 従来のFLはトレーニングのために完全にラベル付けされたデータを必要とする。 そこで本研究では,アノテーションを限定したボリューム・メディカル・イメージ・セグメンテーションのためのFCLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-23T03:47:23Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• 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)
• Memory-aware curriculum federated learning for breast cancer classification [2.244916866651468]
  早期乳癌検診では, 定期検診が推奨される。 このような階級不均衡に対する潜在的な解決策は、複数の機関で力を合わせている。 近年,協調学習のための効果的なツールとして,連合学習が登場している。
  論文  参考訳（メタデータ） (2021-07-06T09:50:20Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• LRTD: Long-Range Temporal Dependency based Active Learning for Surgical Workflow Recognition [67.86810761677403]
  本稿では,費用対効果の高い手術ビデオ解析のための新しい能動的学習法を提案する。 具体的には,非局所的再帰的畳み込みネットワーク (NL-RCNet) を提案する。 手術ワークフロー認識タスクを実行することで,大規模な手術ビデオデータセット(Cholec80)に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2020-04-21T09:21:22Z)

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。