論文の概要: CXR-FL: Deep Learning-based Chest X-ray Image Analysis Using Federated Learning

• arxiv url: http://arxiv.org/abs/2204.05203v1
• Date: Mon, 11 Apr 2022 15:47:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 19:47:11.036716
• Title: CXR-FL: Deep Learning-based Chest X-ray Image Analysis Using Federated Learning
• Title（参考訳）: CXR-FL:フェデレーションラーニングを用いた深層学習に基づく胸部X線画像解析
• Authors: Filip \'Slazyk, Przemys{\l}aw Jab{\l}ecki, Aneta Lisowska, Maciej Malawski, Szymon P{\l}otka
• Abstract要約: 本稿では,胸部X線画像解析のための深層学習モデルの評価を行う。 本研究は, 関心領域の訓練により, 肺のセグメンテーションに還元された場合には, 全体像と比較して, 分類モデルの性能が悪くなることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning enables building a shared model from multicentre data while storing the training data locally for privacy. In this paper, we present an evaluation (called CXR-FL) of deep learning-based models for chest X-ray image analysis using the federated learning method. We examine the impact of federated learning parameters on the performance of central models. Additionally, we show that classification models perform worse if trained on a region of interest reduced to segmentation of the lung compared to the full image. However, focusing training of the classification model on the lung area may result in improved pathology interpretability during inference. We also find that federated learning helps maintain model generalizability. The pre-trained weights and code are publicly available at (https://github.com/SanoScience/CXR-FL).
• Abstract（参考訳）: フェデレートされた学習は、マルチセントデータから共有モデルを構築しながら、トレーニングデータをローカルにプライバシに格納することを可能にする。 本稿では,連合学習法を用いた胸部x線画像解析のための深層学習モデルの評価(cxr-fl)について述べる。 中心モデルの性能に及ぼす連合学習パラメータの影響について検討する。 また,完全画像と比較して肺の分節化に減少する興味のある領域で訓練された場合,分類モデルがより良くなることを示した。 しかし, 肺領域における分類モデルの集中訓練は, 推論時の病態解釈性の向上をもたらす可能性がある。 また、フェデレーション学習はモデルの一般化性を維持するのに役立つ。 トレーニング済みのウェイトとコードは(https://github.com/sanoscience/cxr-fl)公開されている。

関連論文リスト

• CROCODILE: Causality aids RObustness via COntrastive DIsentangled LEarning [8.975676404678374]
  CROCODILEフレームワークを導入し、因果関係のツールがモデルの堅牢性からドメインシフトを育む方法を示します。 我々はCXRの多ラベル肺疾患分類に750万枚以上の画像を用いて本手法を適用した。
  論文  参考訳（メタデータ） (2024-08-09T09:08:06Z)
• MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep Models for X-ray Images of Multiple Body Parts [63.30352394004674]
  MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。 MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。 肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
  論文  参考訳（メタデータ） (2023-10-03T12:19:19Z)
• Unlearning Spurious Correlations in Chest X-ray Classification [4.039245878626345]
  我々は、Covid-19胸部X線データセットを用いてディープラーニングモデルをトレーニングする。 このデータセットが、意図しない境界領域によって、どのようにして急激な相関をもたらすかを示す。 XBLは、モデル説明を利用して、対話的に引き起こされる突発的相関を利用して、解釈可能性を超えたディープラーニングアプローチである。
  論文  参考訳（メタデータ） (2023-08-02T12:59:10Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Self-Supervised Curricular Deep Learning for Chest X-Ray Image Classification [1.6631602844999727]
  Self-Supervised Learning Pretrainingは、ImageNetでスクラッチからトレーニングされたモデル、あるいは事前トレーニングされたモデルのパフォーマンスを向上する。 SSL-pretrained モデルは肺の領域において高い注意力を示す。
  論文  参考訳（メタデータ） (2023-01-25T16:45:13Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Few-Shot Transfer Learning to improve Chest X-Ray pathology detection using limited triplets [0.0]
  ディープラーニングアプローチは、多くの診断タスクにおいて、ほぼ人間に近い、あるいは人間に近いパフォーマンスに達している。 本稿では,Few-Shot Learningによる事前学習モデルの予測を改善するための実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-16T15:44:56Z)
• Federated Learning for the Classification of Tumor Infiltrating Lymphocytes [5.881088147423591]
  デジタル化組織断面解析のための深層学習モデルの開発において,フェデレートラーニング(FL)の性能を評価する。 スライド画像全体から抽出した50*50平方ミクロンパッチを用いてディープラーニング分類モデルを訓練した。
  論文  参考訳（メタデータ） (2022-03-30T19:10:50Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Multi-Branch Deep Radial Basis Function Networks for Facial Emotion Recognition [80.35852245488043]
  放射状基底関数(RBF)ユニットによって形成された複数の分岐で拡張されたCNNベースのアーキテクチャを提案する。 RBFユニットは、中間表現を用いて類似のインスタンスで共有される局所パターンをキャプチャする。 提案手法は,提案手法の競争力を高めるためのローカル情報の導入であることを示す。
  論文  参考訳（メタデータ） (2021-09-07T21:05:56Z)

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。