論文の概要: MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning

• arxiv url: http://arxiv.org/abs/2205.01509v1
• Date: Tue, 3 May 2022 14:06:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-04 14:55:04.333225
• Title: MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning
• Title（参考訳）: MS病変セグメンテーション:フェデレーション学習における重み付け機構の再検討
• Authors: Dongnan Liu, Mariano Cabezas, Dongang Wang, Zihao Tang, Lei Bai, Geng Zhan, Yuling Luo, Kain Kyle, Linda Ly, James Yu, Chun-Chien Shieh, Aria Nguyen, Ettikan Kandasamy Karuppiah, Ryan Sullivan, Fernando Calamante, Michael Barnett, Wanli Ouyang, Weidong Cai, Chenyu Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 92.91544082745196
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Federated learning (FL) has been widely employed for medical image analysis to facilitate multi-client collaborative learning without sharing raw data. Despite great success, FL's performance is limited for multiple sclerosis (MS) lesion segmentation tasks, due to variance in lesion characteristics imparted by different scanners and acquisition parameters. In this work, we propose the first FL MS lesion segmentation framework via two effective re-weighting mechanisms. Specifically, a learnable weight is assigned to each local node during the aggregation process, based on its segmentation performance. In addition, the segmentation loss function in each client is also re-weighted according to the lesion volume for the data during training. Comparison experiments on two FL MS segmentation scenarios using public and clinical datasets have demonstrated the effectiveness of the proposed method by outperforming other FL methods significantly. Furthermore, the segmentation performance of FL incorporating our proposed aggregation mechanism can exceed centralised training with all the raw data. The extensive evaluation also indicated the superiority of our method when estimating brain volume differences estimation after lesion inpainting.
• Abstract（参考訳）: フェデレーション学習(fl)は,生データを共有することなくマルチクライアント協調学習を容易にするため,医用画像解析に広く用いられている。 大きな成功にもかかわらず、FLのパフォーマンスは、異なるスキャナーと取得パラメータによって付与される病変特性のばらつきにより、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。 本研究では,2つの効果的な再重み付け機構を用いたFLMS病変分割フレームワークを提案する。 具体的には、そのセグメンテーション性能に基づいて、集約プロセス中に各ローカルノードに学習可能な重みを割り当てる。 また、各クライアントのセグメンテーション損失関数は、トレーニング中のデータに対する病巣容積に応じて再重み付けされる。 公共および臨床データセットを用いた2つのFLMSセグメンテーションシナリオの比較実験により,他のFL法を著しく上回る結果が得られた。 さらに,提案する集約機構を組み込んだflのセグメンテーション性能は,全生データを用いた集中トレーニングを上回ることができる。 また, 病変拡大後の脳容積差の推定において, 広範囲な評価を行った。

関連論文リスト

• Adaptive Aggregation Weights for Federated Segmentation of Pancreas MRI [5.631060921219683]
  フェデレートラーニング(FL)は、機密データを共有することなく、機関間で協調的なモデルトレーニングを可能にする。 フェデレート平均化(FedAvg)のような従来のFLメソッドは、ドメイン間の一般化において困難に直面している。 本稿では適応的なアグリゲーション重みを取り入れた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-29T20:53:01Z)
• SPOCKMIP: Segmentation of Vessels in MRAs with Enhanced Continuity using Maximum Intensity Projection as Loss [0.5224038339798621]
  本研究は,MIP(Maximum Intensity Projection)を付加的な損失基準として用いたセグメンテーション品質の向上に焦点をあてる。 ラベルセグメンテーションのMIPを1つの(z軸)と3次元体積の複数の知覚可能な軸に組み込むことで2つの手法を提案する。 提案手法は血管の連続性を改善したセグメンテーションを生成し,ROIの視覚的検査で明らかである。
  論文  参考訳（メタデータ） (2024-07-11T16:39:24Z)
• PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation [36.136619420474766]
  本稿では,専門家アノテーションの変動を正確に捉えるバイオメディカルイメージセグメンテーションのためのPULASkiを提案する。 提案手法では,条件付き変分オートエンコーダ構造における統計的距離に基づいて,損失関数を改良した。 また,本手法は多ラベルセグメンテーションタスクにも適用可能であり,血行動態モデリングなどの下流タスクにも有用である。
  論文  参考訳（メタデータ） (2023-12-25T10:31:22Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Federated Learning in Multi-Center Critical Care Research: A Systematic Case Study using the eICU Database [24.31499341763427]
  データを交換することなく、異なるユニットでモデルを訓練する方法として、フェデレートラーニング(FL)が提案されている。 FLが利用可能なeICUデータセットに与える影響について検討し,各ICU滞在の生存率を予測する。
  論文  参考訳（メタデータ） (2022-04-20T09:03:09Z)
• 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)
• 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)
• Brain Stroke Lesion Segmentation Using Consistent Perception Generative Adversarial Network [22.444373004248217]
  半教師型脳卒中病変分類において, CPGAN(Consistent Perception Generative Adversarial Network)を提案する。 類似接続モジュール (SCM) は、マルチスケール機能の情報をキャプチャするように設計されている。 識別者が有意義な特徴表現を学習するように促すために、補助ネットワークを構築する。
  論文  参考訳（メタデータ） (2020-08-30T07:42:47Z)

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。