論文の概要: Hypernetwork-based Personalized Federated Learning for
Multi-Institutional CT Imaging
- arxiv url: http://arxiv.org/abs/2206.03709v2
- Date: Thu, 9 Jun 2022 04:30:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-10 10:59:30.763311
- Title: Hypernetwork-based Personalized Federated Learning for
Multi-Institutional CT Imaging
- Title（参考訳）: 多施設ct画像のためのハイパーネットワークによる個人化連合学習
- Authors: Ziyuan Yang, Wenjun Xia, Zexin Lu, Yingyu Chen, Xiaoxiao Li and Yi
Zhang
- Abstract要約: 本稿では,HyperFedと呼ばれるパーソナライズされたCT画像のためのハイパーネットワークベースのフェデレーション学習手法を提案する。
実験により、HyperFedは他の最先端の方法と比較して、CT再構成における競合性能が向上していることが示された。
- 参考スコア（独自算出の注目度）: 18.025271435632487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computed tomography (CT) is of great importance in clinical practice due to
its powerful ability to provide patients' anatomical information without any
invasive inspection, but its potential radiation risk is raising people's
concerns. Deep learning-based methods are considered promising in CT
reconstruction, but these network models are usually trained with the measured
data obtained from specific scanning protocol and need to centralizedly collect
large amounts of data, which will lead to serious data domain shift, and
privacy concerns. To relieve these problems, in this paper, we propose a
hypernetwork-based federated learning method for personalized CT imaging,
dubbed as HyperFed. The basic assumption of HyperFed is that the optimization
problem for each institution can be divided into two parts: the local data
adaption problem and the global CT imaging problem, which are implemented by an
institution-specific hypernetwork and a global-sharing imaging network,
respectively. The purpose of global-sharing imaging network is to learn stable
and effective common features from different institutions. The
institution-specific hypernetwork is carefully designed to obtain
hyperparameters to condition the global-sharing imaging network for
personalized local CT reconstruction. Experiments show that HyperFed achieves
competitive performance in CT reconstruction compared with several other
state-of-the-art methods. It is believed as a promising direction to improve CT
imaging quality and achieve personalized demands of different institutions or
scanners without privacy data sharing. The codes will be released at
https://github.com/Zi-YuanYang/HyperFed.
- Abstract（参考訳）: ct(ct)は、侵襲的検査なしで患者の解剖情報を提供する強力な能力があるため、臨床において非常に重要であるが、その潜在的な放射線リスクは人々の関心を惹きつけている。
ディープラーニングベースの手法はCT再構成において有望であると考えられているが、これらのネットワークモデルは、通常、特定の走査プロトコルから得られた測定データで訓練され、大量のデータを集中的に収集する必要がある。
本稿では,これらの問題を解消するために,HyperFedと呼ばれる個人用CT画像のためのハイパーネットワークベースのフェデレーション学習手法を提案する。
hyperfedの基本的な前提は、各機関の最適化問題は、機関固有のハイパーネットワークとグローバルシェアリングイメージングネットワークによってそれぞれ実装されるローカルデータ適応問題とグローバルctイメージング問題という2つの部分に分けられることである。
グローバル共有画像ネットワークの目的は、様々な機関から安定的で効果的な共通特徴を学習することである。
組織固有のハイパーネットワークは,局所的CT再構成のためのグローバル共有画像ネットワークの条件を定めるために,慎重に設計されている。
実験の結果,HyperFedは他のいくつかの最先端手法と比較してCT再構成の競合性能が向上した。
これは、CT画像の画質を改善し、プライバシーデータを共有することなく、異なる機関やスキャナーのパーソナライズされた要求を達成するための有望な方向であると信じられている。
コードはhttps://github.com/zi-yuanyang/hyperfedでリリースされる。
関連論文リスト
- Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。
我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。
血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
論文 参考訳（メタデータ） (2024-07-17T23:23:09Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - 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) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Self-Attention Generative Adversarial Network for Iterative
Reconstruction of CT Images [0.9208007322096533]
本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。
ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。
我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
論文 参考訳（メタデータ） (2021-12-23T19:20:38Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer
Technique with Contrastive Regularization Mechanism [4.998352078907441]
放射線線量が少ないと、ノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。
高品質な全身低線量CT(LDCT)画像を得るため,従来の深層学習に基づく研究は様々なネットワークアーキテクチャを導入している。
本稿では,NDCT画像から抽出した知識を活用する,新しいタスク内知識伝達手法を提案する。
論文 参考訳（メタデータ） (2021-12-01T06:46:38Z) - Image Synthesis for Data Augmentation in Medical CT using Deep
Reinforcement Learning [31.677682150726383]
本手法は, 新規かつ解剖学的に高精度な高解像度CT画像の大量かつ多種多様な生成に有効であることを示す。
私たちのアプローチは、多くの研究者が利用可能な画像データの少ない量を考えると望ましい小さな画像データセットでも機能するように特別に設計されています。
論文 参考訳（メタデータ） (2021-03-18T19:47:11Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。
このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。
このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
論文 参考訳（メタデータ） (2020-06-23T20:43:18Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。