論文の概要: FedNorm: Modality-Based Normalization in Federated Learning for
Multi-Modal Liver Segmentation
- arxiv url: http://arxiv.org/abs/2205.11096v1
- Date: Mon, 23 May 2022 07:34:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-24 16:28:50.389661
- Title: FedNorm: Modality-Based Normalization in Federated Learning for
Multi-Modal Liver Segmentation
- Title（参考訳）: fednorm:マルチモーダル肝分画のフェデレーション学習におけるモダリティに基づく正規化
- Authors: Tobias Bernecker, Annette Peters, Christopher L. Schlett, Fabian
Bamberg, Fabian Theis, Daniel Rueckert, Jakob Wei{\ss}, Shadi Albarqouni
- Abstract要約: 肝セグメンテーションは、診断および経過観察のために、CTおよびMRI画像を分析する最も一般的な方法の1つである。
近年のディープラーニングの進歩は, 自動肝セグメンテーションの促進効果を示している。
分散クライアント上で共有グローバルモデルをトレーニングすることで、課題を軽減するソリューションとして、フェデレートラーニング(Federated Learning)が提案されている。
モーダリティに基づく正規化手法を用いた2つのフェデレート学習アルゴリズムであるFednormとその拡張フェデノープを提案する。
- 参考スコア（独自算出の注目度）: 9.203390025029883
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Given the high incidence and effective treatment options for liver diseases,
they are of great socioeconomic importance. One of the most common methods for
analyzing CT and MRI images for diagnosis and follow-up treatment is liver
segmentation. Recent advances in deep learning have demonstrated encouraging
results for automatic liver segmentation. Despite this, their success depends
primarily on the availability of an annotated database, which is often not
available because of privacy concerns. Federated Learning has been recently
proposed as a solution to alleviate these challenges by training a shared
global model on distributed clients without access to their local databases.
Nevertheless, Federated Learning does not perform well when it is trained on a
high degree of heterogeneity of image data due to multi-modal imaging, such as
CT and MRI, and multiple scanner types. To this end, we propose Fednorm and its
extension \fednormp, two Federated Learning algorithms that use a
modality-based normalization technique. Specifically, Fednorm normalizes the
features on a client-level, while Fednorm+ employs the modality information of
single slices in the feature normalization. Our methods were validated using
428 patients from six publicly available databases and compared to
state-of-the-art Federated Learning algorithms and baseline models in
heterogeneous settings (multi-institutional, multi-modal data). The
experimental results demonstrate that our methods show an overall acceptable
performance, achieve Dice per patient scores up to 0.961, consistently
outperform locally trained models, and are on par or slightly better than
centralized models.
- Abstract（参考訳）: 肝疾患に対する高い頻度と効果的な治療オプションを考えると、それらは社会経済的に非常に重要である。
診断および経過観察のためのCTおよびMRI画像解析の最も一般的な方法の1つは、肝セグメンテーションである。
近年のディープラーニングの進歩は, 自動肝セグメンテーションの促進効果を示している。
それにもかかわらず、彼らの成功は主に注釈付きデータベースの可用性に依存しており、プライバシの懸念のために利用できないことが多い。
Federated Learningは最近、ローカルデータベースにアクセスせずに分散クライアント上で共有グローバルモデルをトレーニングすることで、これらの課題を軽減するソリューションとして提案されている。
それにもかかわらず、フェデレーション学習は、ctやmriのようなマルチモーダルイメージングや複数のスキャナタイプによる画像データの高次不均一性に基づいて訓練された場合、うまく機能しない。
そこで本研究では,モーダリティに基づく正規化手法を用いた2つのフェデレート学習アルゴリズムであるFednormとその拡張 \fednormpを提案する。
具体的には、feednormはクライアントレベルの機能を正規化し、feednorm+は機能正規化において単一のスライスのモダリティ情報を使用する。
提案手法は6つのデータベースから428名の患者を用いて検証し,不均質な設定(多施設マルチモーダルデータ)において,最先端のフェデレーション学習アルゴリズムとベースラインモデルと比較した。
実験の結果,本手法は総合的に許容できる性能を示し,患者毎のDiceスコアが0.961まで向上し,一貫した局所訓練モデルを上回る性能を示し,集中型モデルよりもわずかに優れていることがわかった。
関連論文リスト
- Empowering Healthcare through Privacy-Preserving MRI Analysis [3.6394715554048234]
本稿では,Ensemble-Based Federated Learning (EBFL)フレームワークを紹介する。
EBFLフレームワークは、機密性の高い患者データを共有することよりも、モデルの特徴を強調することによって、従来のアプローチから逸脱する。
グリオーマ,髄膜腫,下垂体,非腫瘍例などの脳腫瘍の分類において,有意な精度が得られた。
論文 参考訳（メタデータ） (2024-03-14T19:51:18Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - 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) - Decentralized Distributed Learning with Privacy-Preserving Data
Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。
最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。
ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文 参考訳（メタデータ） (2022-06-20T23:49:38Z) - 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) - Few-shot segmentation of medical images based on meta-learning with
implicit gradients [0.48861336570452174]
医用画像セグメンテーションのための数ショット設定において,最適化に基づく暗黙的メタ学習iMAMLアルゴリズムを活用することを提案する。
このアプローチでは、さまざまなトレーニングサンプルから学んだ重みを活用でき、新しい未知のデータセットにデプロイすることができます。
論文 参考訳（メタデータ） (2021-06-06T19:52:06Z) - FedDis: Disentangled Federated Learning for Unsupervised Brain Pathology
Segmentation [12.863361425822314]
パラメータ空間を形状と外観に分離するFederated Disentanglement (FedDis)を提案する。
FedDisは、脳MRI画像の解剖学的構造が複数の機関で類似しているという仮定に基づいている。
対象者109名を含む実際の病理データベース上でFedDisの優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-05T14:29:52Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z) - Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。
患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。
フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2020-01-16T04:49:33Z)
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。