論文の概要: When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study

• arxiv url: http://arxiv.org/abs/2203.12803v1
• Date: Thu, 24 Mar 2022 02:09:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-25 13:23:06.030480
• Title: When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study
• Title（参考訳）: プライバシに直面する正確性:限られたデータに基づく医用画像の分類における2段階のフェデレーション・トランスファー学習フレームワーク
• Authors: Alexandros Shikun Zhang and Naomi Fengqi Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 77.34726150561087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: COVID-19 pandemic has spread rapidly and caused a shortage of global medical resources. The efficiency of COVID-19 diagnosis has become highly significant. As deep learning and convolutional neural network (CNN) has been widely utilized and been verified in analyzing medical images, it has become a powerful tool for computer-assisted diagnosis. However, there are two most significant challenges in medical image classification with the help of deep learning and neural networks, one of them is the difficulty of acquiring enough samples, which may lead to model overfitting. Privacy concerns mainly bring the other challenge since medical-related records are often deemed patients' private information and protected by laws such as GDPR and HIPPA. Federated learning can ensure the model training is decentralized on different devices and no data is shared among them, which guarantees privacy. However, with data located on different devices, the accessible data of each device could be limited. Since transfer learning has been verified in dealing with limited data with good performance, therefore, in this paper, We made a trial to implement federated learning and transfer learning techniques using CNNs to classify COVID-19 using lung CT scans. We also explored the impact of dataset distribution at the client-side in federated learning and the number of training epochs a model is trained. Finally, we obtained very high performance with federated learning, demonstrating our success in leveraging accuracy and privacy.
• Abstract（参考訳）: 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。 新型コロナウイルスの診断の効率は非常に高くなっている。 深層学習と畳み込みニューラルネットワーク(CNN)は医療画像の解析に広く利用され、検証されているため、コンピュータ支援診断の強力なツールとなっている。 しかし、深層学習とニューラルネットワークの助けを借りて、医用画像分類には2つの重要な課題がある。 医療関連記録は患者の個人情報と見なされ、GDPRやHIPPAなどの法律によって保護されることが多いため、プライバシの懸念は、他の課題を主に引き起こす。 フェデレーション学習は、モデルトレーニングが異なるデバイス上で分散化され、データを共有することなく、プライバシを保証することができる。 しかし、異なるデバイス上のデータでは、各デバイスのアクセス可能なデータは制限される可能性がある。 そこで本研究では,cnnを用いたフェデレート学習と転送学習の手法を,肺ctスキャンを用いてcnnを用いて実施する試みを行った。 また,フェデレーション学習におけるクライアント側のデータセット分布の影響や,モデルのトレーニング回数についても検討した。 最後に、フェデレーション学習で非常に高いパフォーマンスを達成し、正確性とプライバシの活用に成功したことを実証しました。

関連論文リスト

• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  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。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• Feasibility Study of Multi-Site Split Learning for Privacy-Preserving Medical Systems under Data Imbalance Constraints in COVID-19, X-Ray, and Cholesterol Dataset [11.021444485027143]
  本稿では,「複数サイト分割学習」という用語を用いた新しい分割学習アルゴリズムを提案する。 複数の病院間で医療データの安全な転送を可能にし、患者記録に含まれる個人データを公開することを恐れない。
  論文  参考訳（メタデータ） (2022-02-21T03:51:27Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• 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)
• Federated Semi-Supervised Learning for COVID Region Segmentation in Chest CT using Multi-National Data from China, Italy, Japan [14.776338073000526]
  新型コロナウイルスはSARS-CoV-2感染の診断と管理に緊急に必要なものとなっている。 近年の取り組みはコンピュータによる特徴付けと診断に重点を置いている。 臨床データセンター間のデータのドメインシフトは、学習ベースのモデルをデプロイする際に深刻な課題となる。
  論文  参考訳（メタデータ） (2020-11-23T21:51:26Z)
• Blockchain-Federated-Learning and Deep Learning Models for COVID-19 detection using CT Imaging [8.280858576611587]
  新型コロナウイルスの患者を診断する主な問題は、検査キットの不足と信頼性である。 第2の現実の問題は、世界中の病院間でデータを共有することだ。 第3に,ブロックチェーン技術を用いてグローバルモデルを協調的にトレーニングする手法を設計する。
  論文  参考訳（メタデータ） (2020-07-10T11:23:14Z)
• Experiments of Federated Learning for COVID-19 Chest X-ray Images [14.347569140079342]
  コンピュータビジョンとディープラーニング技術は、Chest X-ray Imagesで新型コロナウイルスの感染を判定するのに役立つ。 患者のプライバシの保護と尊重のため、病院の特定の医療関連データは、許可なく漏洩や共有を許さなかった。 我々は、新型コロナウイルスデータトレーニングにフェデレートラーニング(フェデレートラーニング)を用いることを提案し、その有効性を検証するために実験を展開した。
  論文  参考訳（メタデータ） (2020-07-05T08:25:37Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。