論文の概要: Federated Cross Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2204.02450v2
• Date: Mon, 22 May 2023 21:05:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 02:01:03.243217
• Title: Federated Cross Learning for Medical Image Segmentation
• Title（参考訳）: 医学画像分割のための連合クロスラーニング
• Authors: Xuanang Xu, Hannah H. Deng, Tianyi Chen, Tianshu Kuang, Joshua C. Barber, Daeseung Kim, Jaime Gateno, James J. Xia, Pingkun Yan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.075410916203005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) can collaboratively train deep learning models using isolated patient data owned by different hospitals for various clinical applications, including medical image segmentation. However, a major problem of FL is its performance degradation when dealing with data that are not independently and identically distributed (non-iid), which is often the case in medical images. In this paper, we first conduct a theoretical analysis on the FL algorithm to reveal the problem of model aggregation during training on non-iid data. With the insights gained through the analysis, we propose a simple yet effective method, federated cross learning (FedCross), to tackle this challenging problem. Unlike the conventional FL methods that combine multiple individually trained local models on a server node, our FedCross sequentially trains the global model across different clients in a round-robin manner, and thus the entire training procedure does not involve any model aggregation steps. To further improve its performance to be comparable with the centralized learning method, we combine the FedCross with an ensemble learning mechanism to compose a federated cross ensemble learning (FedCrossEns) method. Finally, we conduct extensive experiments using a set of public datasets. The experimental results show that the proposed FedCross training strategy outperforms the mainstream FL methods on non-iid data. In addition to improving the segmentation performance, our FedCrossEns can further provide a quantitative estimation of the model uncertainty, demonstrating the effectiveness and clinical significance of our designs. Source code is publicly available at https://github.com/DIAL-RPI/FedCross.
• Abstract（参考訳）: federated learning(fl)は、医療画像分割を含むさまざまな臨床応用のために、異なる病院が所有する分離された患者データを使用して、ディープラーニングモデルを協調的にトレーニングすることができる。 しかしながら、flの大きな問題は、独立かつ同一に分散していないデータ(非iid)を扱う場合の性能低下であり、医療画像でよく見られる。 本稿では,まずflアルゴリズムの理論的解析を行い,非iidデータのトレーニングにおけるモデル集約の問題を明らかにする。 分析によって得られた知見をもとに,この課題に対処するための,シンプルで効果的なクロスラーニング(FedCross)手法を提案する。 サーバノード上で複数の個別にトレーニングされたローカルモデルを結合する従来のflメソッドとは異なり、feedcrossでは、異なるクライアント間のグローバルモデルをラウンドロビン方式でシーケンシャルにトレーニングする。 そこで本研究では,federated cross ensemble learning (fedcrossens) 法を構成するために,federated cross ensemble learning機構とfederated cross ensemble learning機構を組み合わせた。 最後に、公開データセットを用いて広範な実験を行う。 実験の結果,提案したFedCrossトレーニング戦略は,非IDデータ上での主流FL法よりも優れていた。 また, セグメンテーション性能の向上に加えて, モデル不確かさを定量的に推定し, 設計の有効性と臨床的意義を示すことができる。 ソースコードはhttps://github.com/DIAL-RPI/FedCross.comで公開されている。

関連論文リスト

• FedSoup: Improving Generalization and Personalization in Federated Learning via Selective Model Interpolation [32.36334319329364]
  クロスサイロフェデレーション学習(FL)は、データセンタに分散したデータセット上での機械学習モデルの開発を可能にする。 近年の研究では、現在のFLアルゴリズムは、分布シフトに直面した場合、局所的な性能とグローバルな性能のトレードオフに直面している。 地域とグローバルのパフォーマンスのトレードオフを最適化する新しいフェデレーションモデルスープ手法を提案する。
  論文  参考訳（メタデータ） (2023-07-20T00:07:29Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Collaborative Training of Medical Artificial Intelligence Models with non-uniform Labels [0.07176066267895696]
  強力で堅牢なディープラーニングモデルを構築するには、大規模なマルチパーティデータセットによるトレーニングが必要だ。 このようなデータに対する協調学習のためのフレキシブル・フェデレーション・ラーニング(FFL)を提案する。 不均質なラベル付きデータセットを持つことで、FFLベースのトレーニングがパフォーマンスを著しく向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-24T13:48:54Z)
• FedCross: Towards Accurate Federated Learning via Multi-Model Cross-Aggregation [16.019513233021435]
  フェデレートラーニング(FL)は、ユーザのプライバシを損なうことなく、データサイロ問題に対処するために注目を集めている。 我々はFedCrossという名前の効率的なFLフレームワークを提案する。このフレームワークは、提案したマルチモデルクロスアグリゲーションアプローチに基づいた、新しいマルチツーマルチFLトレーニングスキームを使用する。 We show that FedCross can significantly improve FL accuracy in both IID and non-IID scenarios without causing additional communication overhead。
  論文  参考訳（メタデータ） (2022-10-15T13:12:11Z)
• FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings [51.09574369310246]
  Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。 本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。 私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
  論文  参考訳（メタデータ） (2022-10-10T12:17:30Z)
• FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning [87.08902493524556]
  フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。 我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。 そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
  論文  参考訳（メタデータ） (2022-07-20T04:55:18Z)
• 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)
• Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation [66.44449514373746]
  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。
  論文  参考訳（メタデータ） (2022-03-18T19:50:07Z)
• 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)
• 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)

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。