論文の概要: Federated Multi-organ Segmentation with Partially Labeled Data
- arxiv url: http://arxiv.org/abs/2206.07156v1
- Date: Tue, 14 Jun 2022 20:34:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-18 23:35:15.104815
- Title: Federated Multi-organ Segmentation with Partially Labeled Data
- Title（参考訳）: 部分ラベル付きデータによるフェデレーション多臓器分割
- Authors: Xuanang Xu and Pingkun Yan
- Abstract要約: フェデレートラーニング(Federated Learning)は、さまざまなデータオーナ間でデータを共有することなく、大規模な分散学習を可能にする、新たなパラダイムである。
実際には、各臨床部位は他の部位と部分的にまたは全く重複しない特定の臓器にのみ注釈を付けることができる。
本研究は, フェデレーション型マルチエンコードU-Net (Fed-MENU) 法を多臓器セグメンテーションに適用することにより, この問題に対処する。
- 参考スコア（独自算出の注目度）: 15.042154889645026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning is an emerging paradigm allowing large-scale decentralized
learning without sharing data across different data owners, which helps address
the concern of data privacy in medical image analysis. However, the requirement
for label consistency across clients by the existing methods largely narrows
its application scope. In practice, each clinical site may only annotate
certain organs of interest with partial or no overlap with other sites.
Incorporating such partially labeled data into a unified federation is an
unexplored problem with clinical significance and urgency. This work tackles
the challenge by using a novel federated multi-encoding U-Net (Fed-MENU) method
for multi-organ segmentation. In our method, a multi-encoding U-Net (MENU-Net)
is proposed to extract organ-specific features through different encoding
sub-networks. Each sub-network can be seen as an expert of a specific organ and
trained for that client. Moreover, to encourage the organ-specific features
extracted by different sub-networks to be informative and distinctive, we
regularize the training of the MENU-Net by designing an auxiliary generic
decoder (AGD). Extensive experiments on four public datasets show that our
Fed-MENU method can effectively obtain a federated learning model using the
partially labeled datasets with superior performance to other models trained by
either localized or centralized learning methods. Source code will be made
publicly available at the time of paper publication.
- Abstract（参考訳）: フェデレーション学習は、異なるデータ所有者間でデータを共有することなく、大規模分散学習を可能にする新たなパラダイムであり、医療画像解析におけるデータのプライバシの懸念に対処するのに役立つ。
しかし、既存のメソッドによるクライアント間でのラベル一貫性の要求は、アプリケーションの範囲を大幅に制限します。
実際には、各臨床部位は他の部位と部分的にまたは全く重複しない特定の臓器にのみ注釈を付けることができる。
このような部分的なラベル付きデータを統合フェデレーションに組み込むことは、臨床的意義と緊急性を備えた未発見の問題である。
本研究は, 新規なFed-MENU (Federated Multi-Encoding U-Net) 法を多臓器セグメンテーションに適用することにより, 課題に対処する。
本手法では,異なるサブネットワークを用いて臓器特異的な特徴を抽出するために,マルチエンコードU-Net(MENU-Net)を提案する。
各サブネットワークは特定の組織の専門家と見なされ、そのクライアントのために訓練される。
さらに,異なるサブネットワークから抽出された臓器特有の特徴を情報的かつ独特なものにするために,補助的な汎用デコーダ(AGD)を設計することでMENU-Netのトレーニングを規則化する。
4つの公開データセットに対する大規模な実験により,Fed-MENU法は局所学習法と集中学習法のいずれかによって訓練された他のモデルよりも優れた性能を持つ部分ラベル付きデータセットを用いて,フェデレーション学習モデルを効果的に得ることができた。
ソースコードは、論文発表の時点で公開されます。
関連論文リスト
- FedLPPA: Learning Personalized Prompt and Aggregation for Federated Weakly-supervised Medical Image Segmentation [1.6013679829631893]
フェデレートラーニング(FL)は、ポリシーやプライバシの懸念によって引き起こされるデータサイロの課題を効果的に緩和する。
従来の集中型FLモデルは、特に医学的文脈において、多様なマルチセンターデータに対応している。
医用画像セグメンテーションのための不均一な弱い監督を均一に活用するために,学習可能なプロンプトとアグリゲーション(FedLPPA)を備えた新規なパーソナライズFLフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-27T13:41:32Z) - Federated Contrastive Learning for Volumetric Medical Image Segmentation [16.3860181959878]
フェデレートラーニング(FL)は、プライバシのためのトレーニングデータをローカルに保持しながら、共有モデルを学ぶことで、この点において役立つ。
従来のFLはトレーニングのために完全にラベル付けされたデータを必要とする。
そこで本研究では,アノテーションを限定したボリューム・メディカル・イメージ・セグメンテーションのためのFCLフレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-23T03:47:23Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳（メタデータ） (2022-03-14T17:44:53Z) - Multimodal Federated Learning [9.081857621783811]
IoTデバイスを備えたスマートホームなど、多くのアプリケーションでは、クライアント上のローカルデータは、さまざまなモダリティから生成される。
既存のフェデレーション学習システムは、単一のモダリティからのローカルデータのみを扱うため、システムのスケーラビリティが制限される。
本稿では,クライアント上で異なるローカルデータモダリティから共有あるいは相関表現を抽出するよう,オートエンコーダを訓練するマルチモーダル・セミ教師付きフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-10T12:32:46Z) - Multi-task Federated Learning for Heterogeneous Pancreas Segmentation [7.9720650899875825]
マルチタスク環境では,医用画像セグメンテーションのためのフェデレーション学習がより困難になる。
バニラフェデレーション平均化アルゴリズムにより、より一般化可能なディープラーニングベースのセグメンテーションモデルを得ることができる。
FL設定の腹部CT像では膵・膵腫瘍の自動分画が改善した。
論文 参考訳（メタデータ） (2021-08-19T07:24:32Z) - FedDG: Federated Domain Generalization on Medical Image Segmentation via
Episodic Learning in Continuous Frequency Space [63.43592895652803]
フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。
臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。
そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。
本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
論文 参考訳（メタデータ） (2021-03-10T13:05:23Z) - Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。
提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。
この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
論文 参考訳（メタデータ） (2021-02-14T05:36:25Z) - Multi-organ Segmentation via Co-training Weight-averaged Models from
Few-organ Datasets [45.14004510709325]
そこで本研究では,少数のデータセットから統一的なマルチ組織セグメンテーションネットワークを学習するための平均重み付きモデルを提案する。
ネットワーク間のノイズの多い指導を緩和するため、より信頼性の高いソフトラベルを作成するために、平均的な重み付けモデルを採用する。
論文 参考訳（メタデータ） (2020-08-17T08:39:16Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z) - 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。