論文の概要: FedHarmony: Unlearning Scanner Bias with Distributed Data

• arxiv url: http://arxiv.org/abs/2205.15970v1
• Date: Tue, 31 May 2022 17:19:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-01 14:12:50.182805
• Title: FedHarmony: Unlearning Scanner Bias with Distributed Data
• Title（参考訳）: FedHarmony: 分散データによる非学習スキャナバイアス
• Authors: Nicola K Dinsdale, Mark Jenkinson, Ana IL Namburete
• Abstract要約: FedHarmonyは、フェデレート学習パラダイムで動作する調和フレームワークである。 スキャナー固有の効果を除去するためには、学習した特徴の平均偏差と標準偏差を共有する必要がある。
• 参考スコア（独自算出の注目度）: 2.371982686172067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to combine data across scanners and studies is vital for neuroimaging, to increase both statistical power and the representation of biological variability. However, combining datasets across sites leads to two challenges: first, an increase in undesirable non-biological variance due to scanner and acquisition differences - the harmonisation problem - and second, data privacy concerns due to the inherently personal nature of medical imaging data, meaning that sharing them across sites may risk violation of privacy laws. To overcome these restrictions, we propose FedHarmony: a harmonisation framework operating in the federated learning paradigm. We show that to remove the scanner-specific effects, we only need to share the mean and standard deviation of the learned features, helping to protect individual subjects' privacy. We demonstrate our approach across a range of realistic data scenarios, using real multi-site data from the ABIDE dataset, thus showing the potential utility of our method for MRI harmonisation across studies. Our code is available at https://github.com/nkdinsdale/FedHarmony.
• Abstract（参考訳）: スキャナーと研究にまたがるデータを組み合わせる能力は、統計能力と生物学的多様性の表現の両方を増大させる神経イメージングに不可欠である。 ひとつはスキャナと取得の違いによる望ましくない非生物学的なばらつきの増加、もうひとつはハーモニゼーションの問題、もうひとつは、医用画像データの本質的に個人的な性質によるデータプライバシの懸念である。 これらの制約を克服するために、フェデラル学習パラダイムで動作する調和フレームワークであるFedHarmonyを提案する。 スキャナー固有の効果を除去するためには、学習した機能の平均的および標準的偏差を共有するだけで、個人のプライバシ保護に役立ちます。 我々は,ABIDEデータセットからの実際のマルチサイトデータを用いて,現実的なデータシナリオにまたがってアプローチを実証する。 私たちのコードはhttps://github.com/nkdinsdale/fedharmonyで利用可能です。

関連論文リスト

• PRISM: Privacy-preserving Inter-Site MRI Harmonization via Disentangled Representation Learning [1.1650821883155187]
  PRISMは、複数の部位にまたがる構造脳MRIを調和させる新しいフレームワークである。 我々のフレームワークは、データプライバシ、分散シフト、モデルの一般化可能性、解釈可能性など、医療AI/MLにおける重要な課題に対処する。
  論文  参考訳（メタデータ） (2024-11-10T16:29:23Z)
• Privacy-preserving datasets by capturing feature distributions with Conditional VAEs [0.11999555634662634]
  条件付き変分オートエンコーダ(CVAE)は、大きな事前学習された視覚基盤モデルから抽出された特徴ベクトルに基づいて訓練される。 本手法は, 医用領域と自然画像領域の両方において, 従来のアプローチよりも優れている。 結果は、データスカースおよびプライバシに敏感な環境におけるディープラーニングアプリケーションに大きな影響を与える生成モデルの可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-01T15:26:24Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• 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)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Towards Blockchain-Assisted Privacy-Aware Data Sharing For Edge Intelligence: A Smart Healthcare Perspective [19.208368632576153]
  リンク攻撃はプライバシードメインにおける支配的な攻撃の一種である。 敵は 健康データを偽装するために 毒殺攻撃を仕掛ける 誤診や 身体的損傷までも 引き起こす 個人の健康データを保護するために,ユーザ間の信頼度に基づく個人差分プライバシモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-29T02:06:04Z)
• SFHarmony: Source Free Domain Adaptation for Distributed Neuroimaging Analysis [2.371982686172067]
  異なるMRIスキャナーは、異なる特徴を持つ画像を生成し、調和問題として知られる領域シフトをもたらす」。 本研究では、これらの障壁を克服するために、SFHarmony法(Unsupervised Source-Free Domain Adaptation, SFDA)を提案する。 我々の手法は、さまざまな現実的なデータシナリオにおいて、既存のSFDAアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-03-28T13:35:10Z)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Differentially Private M-band Wavelet-Based Mechanisms in Machine Learning Environments [4.629162607975834]
  データにノイズを埋め込む離散Mバンドウェーブレット変換を用いた3つのプライバシ保護機構を開発する。 本機構は,機械学習環境における統計的解析により,差分プライバシーと学習可能性の両方を維持可能であることを示す。
  論文  参考訳（メタデータ） (2019-12-30T18:07:37Z)

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。