論文の概要: MammoDL: Mammographic Breast Density Estimation using Federated Learning

• arxiv url: http://arxiv.org/abs/2206.05575v1
• Date: Sat, 11 Jun 2022 17:38:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 14:59:25.448756
• Title: MammoDL: Mammographic Breast Density Estimation using Federated Learning
• Title（参考訳）: マンモDL:フェデレートラーニングを用いたマンモグラフィー乳房密度推定
• Authors: Keshava Katti, Ramya Muthukrishnan, Angelina Heyler, Sarthak Pati, Aprupa Alahari, Michael Sanborn, Emily F. Conant, Christopher Scott, Stacey Winham, Celine Vachon, Pratik Chaudhari, Despina Kontos, Spyridon Bakas
• Abstract要約: MammoDLは、UNetアーキテクチャを活用して、デジタルマンモグラフィー(DM)から乳房のPDと複雑性を正確に推定するオープンソースソフトウェアツールである。 MammoDLは、前者よりもよりリーンで柔軟なモデルであり、より大きな、より代表的なデータセットに対するフェデレーション対応トレーニングによる一般化の改善を誇っている。
• 参考スコア（独自算出の注目度）: 9.514416328635011
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assessing breast cancer risk from imaging remains a subjective process, in which radiologists employ computer aided detection (CAD) systems or qualitative visual assessment to estimate breast percent density (PD). More advanced machine learning (ML) models have become the most promising way to quantify breast cancer risk for early, accurate, and equitable diagnoses, but training such models in medical research is often restricted to small, single-institution data. Since patient demographics and imaging characteristics may vary considerably across imaging sites, models trained on single-institution data tend not to generalize well. In response to this problem, MammoDL is proposed, an open-source software tool that leverages UNet architecture to accurately estimate breast PD and complexity from digital mammography (DM). With the Open Federated Learning (OpenFL) library, this solution enables secure training on datasets across multiple institutions. MammoDL is a leaner, more flexible model than its predecessors, boasting improved generalization due to federation-enabled training on larger, more representative datasets.
• Abstract（参考訳）: 乳がんのリスクを画像から評価することは主観的なプロセスであり、放射線技師はコンピュータ支援検出(CAD)システムや質的な視覚的評価を用いて乳がん密度(PD)を推定する。 より高度な機械学習(ml)モデルは、早期、正確、公平な診断のための乳がんリスクを定量化する最も有望な方法となっているが、医療研究におけるそのようなモデルのトレーニングは、しばしば小さな単一施設のデータに制限されている。 患者の年齢層や画像特性は画像サイトによって大きく異なる可能性があるため、単一施設データで訓練されたモデルはあまり一般化しない傾向がある。 この問題に対してMammoDLは,UNetアーキテクチャを活用し,乳房のPDと複雑性をデジタルマンモグラフィー(DM)から正確に推定するオープンソースソフトウェアツールである。 Open Federated Learning (OpenFL)ライブラリを使用することで、複数の機関にわたるデータセットのセキュアなトレーニングが可能になる。 MammoDLは従来のモデルよりもよりリーンで柔軟なモデルであり、より大きな、より代表的なデータセットに対するフェデレーション対応トレーニングによる一般化の改善を誇っている。

関連論文リスト

• Federated brain tumor segmentation: an extensive benchmark [2.515027627030043]
  本稿では,この課題における3つのクラスすべてからのフェデレーション学習アルゴリズムの広範なベンチマークを提案する。 各カテゴリのいくつかの手法は、若干の性能改善をもたらし、フェデレーションの圧倒的なデータ分布に対する最終モデル(s)バイアスを制限する可能性があることを示す。
  論文  参考訳（メタデータ） (2024-10-07T09:32:19Z)
• Multi-OCT-SelfNet: Integrating Self-Supervised Learning with Multi-Source Data Fusion for Enhanced Multi-Class Retinal Disease Classification [2.5091334993691206]
  網膜疾患診断のための堅牢なディープラーニングモデルの開発には、トレーニングのためのかなりのデータセットが必要である。 より小さなデータセットで効果的に一般化する能力は、依然として永続的な課題である。 さまざまなデータソースを組み合わせて、パフォーマンスを改善し、新しいデータに一般化しています。
  論文  参考訳（メタデータ） (2024-09-17T17:22:35Z)
• Dcl-Net: Dual Contrastive Learning Network for Semi-Supervised Multi-Organ Segmentation [12.798684146496754]
  半教師型MOSのための2段階のDual Contrastive Learning Networkを提案する。 ステージ1では、画像間の暗黙的な連続性と類似性を調べるために、類似性に基づくグローバルコントラスト学習を開発する。 ステージ2では,クラス表現をさらに惹きつけるために,臓器を意識した局所的コントラスト学習を提案する。
  論文  参考訳（メタデータ） (2024-03-06T07:39:33Z)
• FedMM: Federated Multi-Modal Learning with Modality Heterogeneity in Computational Pathology [3.802258033231335]
  Federated Multi-Modal (FedMM) は、複数の単一モード特徴抽出器を訓練し、その後の分類性能を向上させる学習フレームワークである。 FedMMは、精度とAUCメトリクスの2つのベースラインを特に上回っている。
  論文  参考訳（メタデータ） (2024-02-24T16:58:42Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• 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)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Multimodal Clustering Networks for Self-supervised Learning from Unlabeled Videos [69.61522804742427]
  本稿では,共通のマルチモーダル埋め込み空間を学習する自己監督型トレーニングフレームワークを提案する。 インスタンスレベルのコントラスト学習の概念をマルチモーダルクラスタリングステップで拡張し,モダリティ間の意味的類似性を捉える。 結果として得られる埋め込みスペースは、見えないデータセットや異なるドメインからでも、すべてのモダリティにわたるサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2021-04-26T15:55:01Z)
• Automated Pancreas Segmentation Using Multi-institutional Collaborative Deep Learning [9.727026678755678]
  本研究では,実世界における2つの機関間の連携学習を用いて,モデルを協調的に訓練する方法について検討する。 フェデレーション学習と局所訓練のみで得られたセグメンテーションモデルを定量的に比較した。 実験結果から,フェデレーション学習モデルはスタンドアロン学習よりも一般化性が高いことがわかった。
  論文  参考訳（メタデータ） (2020-09-28T08:54:10Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)
• 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)

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。