論文の概要: Personalizing Federated Medical Image Segmentation via Local Calibration
- arxiv url: http://arxiv.org/abs/2207.04655v1
- Date: Mon, 11 Jul 2022 06:30:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-12 14:55:39.431725
- Title: Personalizing Federated Medical Image Segmentation via Local Calibration
- Title(参考訳): 局所校正によるFederated Medical Image Segmentationのパーソナライズ
- Authors: Jiacheng Wang, Yueming Jin, Liansheng Wang
- Abstract要約: ひとつのモデルを使って、異なるサイトからさまざまなデータ分布に適応することは、非常に難しい。
現場間一貫性を活用するために,textbfLocal textbfCalibration (LC-Fed) を用いたパーソナライズドフェデレーションフレームワークを提案する。
提案手法は,最先端のパーソナライズされたFL法よりも優れた性能を示す。
- 参考スコア(独自算出の注目度): 9.171482226385551
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation under federated learning (FL) is a promising
direction by allowing multiple clinical sites to collaboratively learn a global
model without centralizing datasets. However, using a single model to adapt to
various data distributions from different sites is extremely challenging.
Personalized FL tackles this issue by only utilizing partial model parameters
shared from global server, while keeping the rest to adapt to its own data
distribution in the local training of each site. However, most existing methods
concentrate on the partial parameter splitting, while do not consider the
\textit{inter-site in-consistencies} during the local training, which in fact
can facilitate the knowledge communication over sites to benefit the model
learning for improving the local accuracy. In this paper, we propose a
personalized federated framework with \textbf{L}ocal \textbf{C}alibration
(LC-Fed), to leverage the inter-site in-consistencies in both \textit{feature-
and prediction- levels} to boost the segmentation. Concretely, as each local
site has its alternative attention on the various features, we first design the
contrastive site embedding coupled with channel selection operation to
calibrate the encoded features. Moreover, we propose to exploit the knowledge
of prediction-level in-consistency to guide the personalized modeling on the
ambiguous regions, e.g., anatomical boundaries. It is achieved by computing a
disagreement-aware map to calibrate the prediction. Effectiveness of our method
has been verified on three medical image segmentation tasks with different
modalities, where our method consistently shows superior performance to the
state-of-the-art personalized FL methods. Code is available at
https://github.com/jcwang123/FedLC.
- Abstract(参考訳): 複数の臨床サイトがデータセットを集中化することなく、グローバルなモデルを共同学習できるようにすることで、医療用画像セグメンテーション(fl)は有望な方向性である。
しかし、異なるサイトからの様々なデータ分布に単一のモデルを適用することは極めて困難である。
パーソナライズされたflは、グローバルサーバから共有される部分モデルパラメータのみを利用することでこの問題に対処し、残りは各サイトのローカルトレーニングで独自のデータ分散に適応させる。
しかし,既存のほとんどの手法は部分的パラメータ分割に重点を置いているが,局所的な訓練では「textit{inter-site in-consistencies}」は考慮していない。
本稿では, セグメンテーションを促進するために, 両者の現場間不整合を利用して, セグメンテーションを促進するための, パーソナライズされたフレームワークを提案する。
具体的には,各局所サイトが様々な特徴に別の注意を払っているため,まずコントラストサイトとチャネル選択操作を併用してエンコードされた特徴を校正する。
さらに,予測レベルの非一貫性の知識を活用し,あいまいな領域,例えば解剖学的境界のパーソナライズドモデリングを導出する。
予測をキャリブレーションする不一致マップを計算することで達成される。
本手法の有効性は,特徴の異なる3つの医用画像分割課題において検証され,最先端のパーソナライズfl法に対して一貫して優れた性能を示す。
コードはhttps://github.com/jcwang123/FedLCで入手できる。
関連論文リスト
- Personalized Federated Learning for Cross-view Geo-localization [49.40531019551957]
本稿では,フェデレート・ラーニング (FL) とクロスビュー・イメージ・ジオローカライゼーション (CVGL) 技術を組み合わせた方法論を提案する。
提案手法では, クライアントが粗い特徴抽出器のみを共有しながら, 局所環境に特有のきめ細かな特徴を保持する, 粗い特徴抽出器を実装している。
その結果,フェデレートCVGL法は,データプライバシを維持しつつ,集中的なトレーニングに近い性能を実現することができた。
論文 参考訳(メタデータ) (2024-11-07T13:25:52Z) - Learn What You Need in Personalized Federated Learning [53.83081622573734]
$textitLearn2pFed$は、アルゴリズムに基づくパーソナライズされたフェデレーション学習フレームワークである。
我々は、textitLearn2pFed$が、従来のパーソナライズされたフェデレーション学習方法よりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2024-01-16T12:45:15Z) - Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts [11.562953837452126]
多様なドメインから得られたローカルデータの情報性を評価するための最初の試みを行う。
本稿では,ドメインシフト下でのデータ評価を校正する新しい手法であるFederated Evidential Active Learning(FEAL)を提案する。
論文 参考訳(メタデータ) (2023-12-05T08:32:27Z) - FedSoup: Improving Generalization and Personalization in Federated
Learning via Selective Model Interpolation [32.36334319329364]
クロスサイロフェデレーション学習(FL)は、データセンタに分散したデータセット上での機械学習モデルの開発を可能にする。
近年の研究では、現在のFLアルゴリズムは、分布シフトに直面した場合、局所的な性能とグローバルな性能のトレードオフに直面している。
地域とグローバルのパフォーマンスのトレードオフを最適化する新しいフェデレーションモデルスープ手法を提案する。
論文 参考訳(メタデータ) (2023-07-20T00:07:29Z) - Towards More Suitable Personalization in Federated Learning via
Decentralized Partial Model Training [67.67045085186797]
既存のシステムのほとんどは、中央のFLサーバが失敗した場合、大きな通信負荷に直面しなければならない。
共有パラメータと個人パラメータを交互に更新することで、ディープモデルの「右」をパーソナライズする。
共有パラメータアグリゲーションプロセスをさらに促進するために、ローカルシャープネス最小化を統合するDFedを提案する。
論文 参考訳(メタデータ) (2023-05-24T13:52:18Z) - Personalized Federated Learning via Gradient Modulation for
Heterogeneous Text Summarization [21.825321314169642]
本研究では,グローバルモデルを生データを共有せずに協調学習方法で共有することのできる,連合学習テキスト要約方式を提案する。
FedSUMMはタスク固有テキスト要約のためのPFLアルゴリズム上でより高速なモデル収束を実現することができる。
論文 参考訳(メタデータ) (2023-04-23T03:18:46Z) - Unifying and Personalizing Weakly-supervised Federated Medical Image
Segmentation via Adaptive Representation and Aggregation [1.121358474059223]
フェデレートラーニング(FL)は、データプライバシとセキュリティを損なうことなく、複数のサイトが協力して強力なディープモデルをトレーニングすることを可能にする。
微粒な監督を施した弱く監督されたセグメンテーションは、アノテーションコストを下げる大きな可能性を秘めているため、ますます注目されている。
医用画像セグメンテーションのための新しいFLフレームワークであるFedICRAを提案する。
論文 参考訳(メタデータ) (2023-04-12T06:32:08Z) - FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for
Federated Learning on Non-IID Data [69.0785021613868]
フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。
本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。
これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
論文 参考訳(メタデータ) (2022-05-19T03:32:03Z) - IOP-FL: Inside-Outside Personalization for Federated Medical Image
Segmentation [18.65229252289727]
フェデレートラーニング(Federated Learning)は、複数の医療機関がクライアントデータを集中せずにグローバルなモデルを共同で学習することを可能にする。
We propose a novel unified framework for textitInside and Outside model Personalization in FL (IOP-FL)。
2つの医用画像分割作業に関する実験結果から, 内面および外面の個人化におけるSOTA法よりも有意な改善が認められた。
論文 参考訳(メタデータ) (2022-04-16T08:26:19Z) - Federated and Generalized Person Re-identification through Domain and
Feature Hallucinating [88.77196261300699]
人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。
一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。
提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
論文 参考訳(メタデータ) (2022-03-05T09:15:13Z) - Adversarial Graph Representation Adaptation for Cross-Domain Facial
Expression Recognition [86.25926461936412]
本稿では,グラフ表現の伝播と逆学習を両立させる新しいAdrialversa Graph Representation Adaptation (AGRA) フレームワークを提案する。
提案するAGRAフレームワークは,従来の最先端手法よりも優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2020-08-03T13:27:24Z)
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。