論文の概要: Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance

• arxiv url: http://arxiv.org/abs/2206.13079v1
• Date: Mon, 27 Jun 2022 06:51:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 13:25:14.752410
• Title: Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance
• Title（参考訳）: クラス不均衡を伴う半教師付きフェデレーション画像診断のための動的バンクラーニング
• Authors: Meirui Jiang, Hongzheng Yang, Xiaoxiao Li, Quande Liu, Pheng-Ann Heng, Qi Dou
• Abstract要約: クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。 このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
• 参考スコア（独自算出の注目度）: 65.61909544178603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite recent progress on semi-supervised federated learning (FL) for medical image diagnosis, the problem of imbalanced class distributions among unlabeled clients is still unsolved for real-world use. In this paper, we study a practical yet challenging problem of class imbalanced semi-supervised FL (imFed-Semi), which allows all clients to have only unlabeled data while the server just has a small amount of labeled data. This imFed-Semi problem is addressed by a novel dynamic bank learning scheme, which improves client training by exploiting class proportion information. This scheme consists of two parts, i.e., the dynamic bank construction to distill various class proportions for each local client, and the sub-bank classification to impose the local model to learn different class proportions. We evaluate our approach on two public real-world medical datasets, including the intracranial hemorrhage diagnosis with 25,000 CT slices and skin lesion diagnosis with 10,015 dermoscopy images. The effectiveness of our method has been validated with significant performance improvements (7.61% and 4.69%) compared with the second-best on the accuracy, as well as comprehensive analytical studies. Code is available at https://github.com/med-air/imFedSemi.
• Abstract（参考訳）: 医用画像診断のための半教師付きフェデレートラーニング(FL)の最近の進歩にもかかわらず、未ラベルクライアント間の不均衡なクラス分布の問題はまだ現実の用途では未解決である。 本稿では,クラス不均衡な半教師付きFL(imFed-Semi)の実践的かつ困難な問題について検討する。 このimf-semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習スキームによって解決される。 このスキームは、ローカルクライアントごとに様々なクラス比例を蒸留するための動的バンク構築と、異なるクラス比例を学習するためのローカルモデルを課すサブバンク分類という2つの部分から構成される。 25,000個のctスライスによる頭蓋内出血診断と10,015枚の皮膚内視鏡画像による皮膚病変診断を含む2つの現実の医療データに対するアプローチを評価した。 本手法の有効性は, 総合的な解析研究と同様に, 精度第2位に比べ, 大幅な性能向上(7.61%と4.69%)が確認された。 コードはhttps://github.com/med-air/imfedsemiで入手できる。

関連論文リスト

• Iterative Online Image Synthesis via Diffusion Model for Imbalanced Classification [29.730360798234294]
  医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。 このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。 不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-03-13T10:51:18Z)
• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  クライアント間の局所的なラベル分布の相違を特徴とするラベルスキューは、連合学習において大きな課題となる。 本稿では, ラベルスキュード・フェデレート学習における新しい手法であるFedVLSについて紹介する。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• Rethinking Semi-Supervised Federated Learning: How to co-train fully-labeled and fully-unlabeled client imaging data [6.322831694506287]
  分離フェデレートラーニング(IsoFed)は、半教師付きフェデレートラーニング(SSFL)に特化して設計されたラーニングスキームである。 本稿では,教師付きモデルと半教師付きモデルの簡易な平均化を回避し,SSFLに特化して設計した新しい学習手法を提案する。 特に、我々のトレーニングアプローチは、(a)ラベル付きおよびラベルなしのクライアントモデルの独立したアグリゲーションと、(b)すべてのクライアントで独立したグローバルモデルのローカルな自己教師付き事前トレーニングという2つの部分で構成されています。
  論文  参考訳（メタデータ） (2023-10-28T20:41:41Z)
• 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)
• Scale Federated Learning for Label Set Mismatch in Medical Image Classification [4.344828846048128]
  フェデレートラーニング(FL)は、分散型ラーニングパラダイムとして医療分野に導入されている。 これまでのほとんどの研究は、全てのクライアントが同一のラベルセットを持っていると仮定している。 本稿では,ラベルセットミスマッチの問題を解決するためのフレームワークFedLSMを提案する。
  論文  参考訳（メタデータ） (2023-04-14T05:32:01Z)
• Achieving Fairness in Dermatological Disease Diagnosis through Automatic Weight Adjusting Federated Learning and Personalization [15.276768990910337]
  皮膚科疾患は世界の健康に大きな脅威となり、世界の人口の約3分の1に影響を及ぼす。 本稿では,皮膚疾患診断のためのフェアネス対応フェデレーション学習フレームワークを提案する。 実験により,提案するフレームワークは,最先端技術と比較して,公平性と正確性の両方を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2022-08-23T20:44:09Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
  フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。 本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。 本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:58:00Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。