論文の概要: Federated Learning with Research Prototypes for Multi-Center MRI-based
Detection of Prostate Cancer with Diverse Histopathology
- arxiv url: http://arxiv.org/abs/2206.05617v1
- Date: Sat, 11 Jun 2022 21:28:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 14:59:05.110327
- Title: Federated Learning with Research Prototypes for Multi-Center MRI-based
Detection of Prostate Cancer with Diverse Histopathology
- Title（参考訳）: 多施設mriによる各種病理組織学的前立腺癌検出のための研究プロトタイプを用いた連合学習
- Authors: Abhejit Rajagopal, Ekaterina Redekop, Anil Kemisetti, Rushi Kulkarni,
Steven Raman, Kirti Magudia, Corey W. Arnold, Peder E. Z. Larson
- Abstract要約: 前立腺癌検出アルゴリズムのクロスサイトトレーニング,検証,評価のためのフレキシブル・フェデレート・ラーニング・フレームワークを提案する。
前立腺癌の検出と分類の精度は,神経回路モデルと多種多様な前立腺生検データを用いて向上した。
我々はFLtoolsシステムをオープンソースとして公開し、医療画像のための他のディープラーニングプロジェクトに容易に対応できるようにしています。
- 参考スコア（独自算出の注目度）: 3.8613414331251423
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early prostate cancer detection and staging from MRI are extremely
challenging tasks for both radiologists and deep learning algorithms, but the
potential to learn from large and diverse datasets remains a promising avenue
to increase their generalization capability both within- and across clinics. To
enable this for prototype-stage algorithms, where the majority of existing
research remains, in this paper we introduce a flexible federated learning
framework for cross-site training, validation, and evaluation of deep prostate
cancer detection algorithms. Our approach utilizes an abstracted representation
of the model architecture and data, which allows unpolished prototype deep
learning models to be trained without modification using the NVFlare federated
learning framework. Our results show increases in prostate cancer detection and
classification accuracy using a specialized neural network model and diverse
prostate biopsy data collected at two University of California research
hospitals, demonstrating the efficacy of our approach in adapting to different
datasets and improving MR-biomarker discovery. We open-source our FLtools
system, which can be easily adapted to other deep learning projects for medical
imaging.
- Abstract（参考訳）: 早期前立腺がんの検出とmriからのステージングは、放射線科医とディープラーニングアルゴリズムの両方にとって極めて困難な作業だが、大規模で多様なデータセットから学ぶ可能性は、クリニック内外の一般化能力を高めるための有望な手段である。
本稿では,既存の研究の大半が残っているプロトタイプ段階のアルゴリズムに対して,クロスサイトトレーニング,検証,深層前立腺癌検出アルゴリズムの評価のためのフレキシブルなフェデレーション学習フレームワークを提案する。
提案手法では,NVFlareフェデレーション学習フレームワークを使用せずに,非ポリケートなプロトタイプ深層学習モデルをトレーニング可能なモデルアーキテクチャとデータの抽象化表現を利用する。
以上の結果から, 特殊なニューラルネットワークモデルと2つのカリフォルニア大学附属病院で収集した多種多様な前立腺生検データを用いて, 前立腺癌検出と分類精度が向上し, 異なるデータセットへの適応とmr-バイオマーカーの発見の改善が有効であることが示された。
医療画像のための他のディープラーニングプロジェクトに容易に適用可能な、fltoolsシステムをオープンソースとして公開しています。
関連論文リスト
- TopOC: Topological Deep Learning for Ovarian and Breast Cancer Diagnosis [3.262230127283452]
トポロジカルデータ分析は、異なる色チャネルにわたるトポロジカルパターンの評価を通じて重要な情報を抽出することで、ユニークなアプローチを提供する。
卵巣癌と乳癌では, トポロジカルな特徴を取り入れることで, 腫瘍型の分化が著しく向上することが示唆された。
論文 参考訳（メタデータ） (2024-10-13T12:24:13Z) - Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using
mpMRI Segmentation and Classification [0.0]
前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。
深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。
本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
論文 参考訳（メタデータ） (2023-10-09T03:00:15Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Unsupervised Pathology Detection: A Deep Dive Into the State of the Art [6.667150890634173]
複数の医療データセット上で,最先端の非教師付き異常検出法 (UAD) の選択について検討した。
本実験は, 産業・医療文献から新たに開発された特徴モデリング手法により, 性能が向上することが実証された。
これらの手法は,最近開発された自己教師付き事前学習アルゴリズムの恩恵を受けることができることを示す。
論文 参考訳（メタデータ） (2023-03-01T16:03:25Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Multi-resolution Super Learner for Voxel-wise Classification of Prostate
Cancer Using Multi-parametric MRI [0.0]
本稿では,データのユニークな構造を考慮し,ボクセルワイドPCa分類を改善する機械学習手法を提案する。
本研究は,PCaの経時的臨床的意義とともに,2値PCa状態の詳細な分類アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2020-07-02T00:14:55Z) - A Novel and Efficient Tumor Detection Framework for Pancreatic Cancer
via CT Images [21.627818410241552]
本稿では,新しい膵腫瘍検出フレームワークを提案する。
提案手法のコントリビューションは,Augmented Feature Pyramid Network,Self-Adaptive Feature Fusion,Dependencies Computation Moduleの3つのコンポーネントから構成される。
実験により,AUCの0.9455による検出において,他の最先端手法よりも優れた性能が得られた。
論文 参考訳（メタデータ） (2020-02-11T15:48:22Z) - 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。