論文の概要: Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2203.10144v1
• Date: Fri, 18 Mar 2022 19:50:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-27 03:42:55.661986
• Title: Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation
• Title（参考訳）: クロスサイロFederated Medical Image Segmentationの一般化ギャップの閉鎖
• Authors: An Xu, Wenqi Li, Pengfei Guo, Dong Yang, Holger Roth, Ali Hatamizadeh, Can Zhao, Daguang Xu, Heng Huang, and Ziyue Xu
• Abstract要約: クロスサイロ・フェデレーション・ラーニング (FL) は近年, 深層学習による医用画像解析において注目されている。 FLでトレーニングされたモデルと、集中的なトレーニングでトレーニングされたモデルの間にはギャップがある。 本稿では,クライアントの問題を回避し,ドリフトギャップを解消するための新しいトレーニングフレームワークであるFedSMを提案する。
• 参考スコア（独自算出の注目度）: 66.44449514373746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-silo federated learning (FL) has attracted much attention in medical imaging analysis with deep learning in recent years as it can resolve the critical issues of insufficient data, data privacy, and training efficiency. However, there can be a generalization gap between the model trained from FL and the one from centralized training. This important issue comes from the non-iid data distribution of the local data in the participating clients and is well-known as client drift. In this work, we propose a novel training framework FedSM to avoid the client drift issue and successfully close the generalization gap compared with the centralized training for medical image segmentation tasks for the first time. We also propose a novel personalized FL objective formulation and a new method SoftPull to solve it in our proposed framework FedSM. We conduct rigorous theoretical analysis to guarantee its convergence for optimizing the non-convex smooth objective function. Real-world medical image segmentation experiments using deep FL validate the motivations and effectiveness of our proposed method.
• Abstract（参考訳）: クロスサイロ・フェデレーション・ラーニング(FL)は、データ不足、データプライバシ、トレーニング効率の重大な問題を解決することができるため、近年、深層学習による医用画像解析において多くの注目を集めている。 しかし、FLからトレーニングされたモデルと集中的なトレーニングからトレーニングされたモデルの間には、一般化のギャップがある。 この重要な問題は、参加するクライアント内のローカルデータの非iidデータ分散が原因で、クライアントドリフトとしてよく知られています。 本研究では,クライアントドリフト問題を回避するための新たなトレーニングフレームワークfeedsmを提案するとともに,医療画像分割タスクの集中型トレーニングと比較して,一般化ギャップを解消することに成功した。 また,新たにパーソナライズされたFL目標の定式化と,提案するフレームワークであるFedSMにおいて,SoftPullの解法を提案する。 非凸滑らかな対象関数を最適化するための収束を保証するために、厳密な理論解析を行う。 深層flを用いた実世界医用画像分割実験は,提案手法の動機と効果を検証する。

関連論文リスト

• Federated Semi-supervised Learning for Medical Image Segmentation with intra-client and inter-client Consistency [10.16245019262119]
  フェデレートラーニングは、ローカルデータ交換なしで、分離されたクライアントの共有モデルをトレーニングすることを目的としている。 本研究では,医用画像セグメンテーションのための新しい半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-19T12:52:38Z)
• Benchmarking Collaborative Learning Methods Cost-Effectiveness for Prostate Segmentation [39.19170617818745]
  我々は,MRIによる前立腺分節化問題に協調的なシナリオで対処する。 私たちの知る限りでは、コラボレーティブラーニングの問題を解決するためにコンセンサスベースの手法(CBM)が使用されるのはこれが初めてです。
  論文  参考訳（メタデータ） (2023-09-29T09:47:18Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Federated Cross Learning for Medical Image Segmentation [23.075410916203005]
  フェデレーテッド・ラーニング(FL)は、様々な臨床応用のために、異なる病院が所有する隔離された患者データを用いて、ディープラーニングモデルを協調的に訓練することができる。 FLの大きな問題は、独立して分散されていないデータ(非ID)を扱う際のパフォーマンス劣化である。
  論文  参考訳（メタデータ） (2022-04-05T18:55:02Z)
• FedDropoutAvg: Generalizable federated learning for histopathology image classification [11.509801043891837]
  フェデレートラーニング(FL)は、参加サイトのデータを共有することなく、ディープラーニングモデルの協調学習を可能にする。 我々は、一般化可能なモデルをトレーニングするための新しいフェデレーション学習手法であるFedDropoutAvgを提案する。 提案手法は、他の最先端のフェデレーション・トレーニング・アプローチよりも一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-25T19:30:37Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)
• Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
  フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。 本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。 本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:58:00Z)
• 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)
• Inverse Distance Aggregation for Federated Learning with Non-IID Data [48.48922416867067]
  近年,フェデレートラーニング(FL)は医用画像の分野で有望なアプローチである。 FLにおける重要な問題は、特に医療シナリオにおいて、ノイズの多い分散クライアントやアウトオブディストリビューションクライアントに対して堅牢な、より正確な共有モデルを持つことである。 非平衡データと非IDデータを扱うメタ情報に基づく新しい適応重み付け手法であるIDAを提案する。
  論文  参考訳（メタデータ） (2020-08-17T23:20:01Z)

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。