論文の概要: FedMix: Mixed Supervised Federated Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2205.01840v1
• Date: Wed, 4 May 2022 01:17:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-06 03:12:15.453655
• Title: FedMix: Mixed Supervised Federated Learning for Medical Image Segmentation
• Title（参考訳）: fedmix: 医用画像分割のための教師付きフェデレーション学習
• Authors: Jeffry Wicaksana, Zengqiang Yan, Dong Zhang, Xijie Huang, Huimin Wu, Xin Yang, and Kwang-Ting Cheng
• Abstract要約: 混合画像ラベルに基づく医用画像セグメンテーションのためのラベルに依存しない統合学習フレームワークであるFedMixを提案する。 FedMixでは、各クライアントが、すべての利用可能なラベル付きデータの統合と有効利用によって、フェデレートされたモデルを更新する。 既存の手法と比較して、FedMixは単一のレベルの画像監視の制約を突破するだけでなく、各ローカルクライアントの集約重みを動的に調整できる。
• 参考スコア（独自算出の注目度）: 29.728635583886046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The purpose of federated learning is to enable multiple clients to jointly train a machine learning model without sharing data. However, the existing methods for training an image segmentation model have been based on an unrealistic assumption that the training set for each local client is annotated in a similar fashion and thus follows the same image supervision level. To relax this assumption, in this work, we propose a label-agnostic unified federated learning framework, named FedMix, for medical image segmentation based on mixed image labels. In FedMix, each client updates the federated model by integrating and effectively making use of all available labeled data ranging from strong pixel-level labels, weak bounding box labels, to weakest image-level class labels. Based on these local models, we further propose an adaptive weight assignment procedure across local clients, where each client learns an aggregation weight during the global model update. Compared to the existing methods, FedMix not only breaks through the constraint of a single level of image supervision, but also can dynamically adjust the aggregation weight of each local client, achieving rich yet discriminative feature representations. To evaluate its effectiveness, experiments have been carried out on two challenging medical image segmentation tasks, i.e., breast tumor segmentation and skin lesion segmentation. The results validate that our proposed FedMix outperforms the state-of-the-art method by a large margin.
• Abstract（参考訳）: フェデレーション学習の目的は、データを共有せずに複数のクライアントが共同で機械学習モデルを訓練できるようにすることである。 しかし、既存の画像分割モデルのトレーニング方法は、各ローカルクライアントのトレーニングセットが同様の方法でアノテートされているという非現実的な仮定に基づいており、同じイメージ監督レベルに従っている。 この仮定を緩和するため,本研究では,混合画像ラベルに基づく医用画像セグメンテーションのための,ラベル非依存な連合学習フレームワークfeedmixを提案する。 fedmixでは、各クライアントが、強力なピクセルレベルのラベル、弱いバウンディングボックスラベル、最も弱い画像レベルのクラスラベルなど、利用可能なすべてのラベルデータを統合して有効活用することで、フェデレーションモデルを更新する。 これらのローカルモデルに基づいて,グローバルモデル更新中に各クライアントが集約重みを学習するローカルクライアント間の適応的な重み割り当て手順を提案する。 既存の手法と比較して、FedMixは単一のレベルのイメージ監視の制約を突破するだけでなく、各ローカルクライアントの集約重みを動的に調整し、リッチで差別的な特徴表現を実現する。 その有効性を評価するため,乳房腫瘍の分節と皮膚病変の分節という2つの困難な医用画像の分節課題について実験を行った。 その結果,提案するFedMixは最先端手法よりも高い性能を示した。

関連論文リスト

• Cross-model Mutual Learning for Exemplar-based Medical Image Segmentation [25.874281336821685]
  Exemplar-based Medical Image(CMEMS)のためのクロスモデル相互学習フレームワーク 外来医用画像のためのクロスモデル相互学習フレームワーク(CMEMS)について紹介する。
  論文  参考訳（メタデータ） (2024-04-18T00:18:07Z)
• 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)
• Rethinking Semi-Supervised Federated Learning: How to co-train fully-labeled and fully-unlabeled client imaging data [6.322831694506287]
  分離フェデレートラーニング(IsoFed)は、半教師付きフェデレートラーニング(SSFL)に特化して設計されたラーニングスキームである。 本稿では,教師付きモデルと半教師付きモデルの簡易な平均化を回避し,SSFLに特化して設計した新しい学習手法を提案する。 特に、我々のトレーニングアプローチは、(a)ラベル付きおよびラベルなしのクライアントモデルの独立したアグリゲーションと、(b)すべてのクライアントで独立したグローバルモデルのローカルな自己教師付き事前トレーニングという2つの部分で構成されています。
  論文  参考訳（メタデータ） (2023-10-28T20:41:41Z)
• Scale Federated Learning for Label Set Mismatch in Medical Image Classification [4.344828846048128]
  フェデレートラーニング(FL)は、分散型ラーニングパラダイムとして医療分野に導入されている。 これまでのほとんどの研究は、全てのクライアントが同一のラベルセットを持っていると仮定している。 本稿では,ラベルセットミスマッチの問題を解決するためのフレームワークFedLSMを提案する。
  論文  参考訳（メタデータ） (2023-04-14T05:32:01Z)
• CellMix: A General Instance Relationship based Method for Data Augmentation Towards Pathology Image Classification [6.9596321268519326]
  病理画像解析では、高品質な注釈付きサンプルの取得と維持は非常に労働集約的な作業である。 本稿では,新しい分散指向型インプレースシャッフル手法であるCellMixフレームワークを提案する。 病理画像分類タスクにおける実験は、7つの異なるデータセット上でのSOTA(State-of-the-art)性能を示す。
  論文  参考訳（メタデータ） (2023-01-27T03:17:35Z)
• Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
  クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。 このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-06-27T06:51:48Z)
• FedNoiL: A Simple Two-Level Sampling Method for Federated Learning with Noisy Labels [49.47228898303909]
  フェデレートラーニング(FL)は、トレーニングデータが収集され、ローカルデバイスに配置されている間、サーバ側のグローバルモデルをトレーニングすることを目的としている。 ノイズラベルの局所的なトレーニングは、集約を通じてグローバルモデルに破壊的な破壊的な、ノイズラベルへの過度な適合をもたらす可能性がある。 サーバ上でよりロバストなグローバルアグリゲーションを実現するため,クライアントを選択するための単純な2レベルサンプリング手法「FedNoiL」を開発した。
  論文  参考訳（メタデータ） (2022-05-20T12:06:39Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• 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)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Un-Mix: Rethinking Image Mixtures for Unsupervised Visual Representation Learning [108.999497144296]
  近年の先進的な教師なし学習手法では,同じ画像から2つの「ビュー」を学習表現として比較するために,サイムズ様の枠組みを用いている。 この研究は、教師なし学習においてラベル空間上の距離の概念を巻き込み、正対と負対のソフトな類似度をモデルに認識させることを目的としている。 その概念的単純さにもかかわらず、この解 -- 教師なし画像混合(Un-Mix)により、変換された入力と対応する新しいラベル空間からより微妙でより堅牢で一般化された表現を学習できることを実証的に示す。
  論文  参考訳（メタデータ） (2020-03-11T17:59:04Z)

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。