論文の概要: Federated Stain Normalization for Computational Pathology

• arxiv url: http://arxiv.org/abs/2209.14849v1
• Date: Thu, 29 Sep 2022 15:04:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 18:05:37.111583
• Title: Federated Stain Normalization for Computational Pathology
• Title（参考訳）: 計算病理におけるFederated Stain Normalization
• Authors: Nicolas Wagner, Moritz Fuchs, Yuri Tolkach, Anirban Mukhopadhyay
• Abstract要約: BottleGANは、多くの研究所の染色スタイルを調整できる生成モデルである。 PESOセグメンテーションデータセットに基づく異種多施設データセットを構築した。
• 参考スコア（独自算出の注目度）: 1.069533806668766
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Although deep federated learning has received much attention in recent years, progress has been made mainly in the context of natural images and barely for computational pathology. However, deep federated learning is an opportunity to create datasets that reflect the data diversity of many laboratories. Further, the effort of dataset construction can be divided among many. Unfortunately, existing algorithms cannot be easily applied to computational pathology since previous work presupposes that data distributions of laboratories must be similar. This is an unlikely assumption, mainly since different laboratories have different staining styles. As a solution, we propose BottleGAN, a generative model that can computationally align the staining styles of many laboratories and can be trained in a privacy-preserving manner to foster federated learning in computational pathology. We construct a heterogenic multi-institutional dataset based on the PESO segmentation dataset and improve the IOU by 42\% compared to existing federated learning algorithms. An implementation of BottleGAN is available at https://github.com/MECLabTUDA/BottleGAN
• Abstract（参考訳）: 近年は深層学習が注目されているが、主に自然画像の文脈において、ほとんど計算病理学の分野で進歩している。 しかし、深層連合学習は、多くの研究室のデータ多様性を反映したデータセットを作成する機会である。 さらに、データセット構築の労力を多数に分割することができる。 残念なことに、既存のアルゴリズムは計算病理学に簡単には適用できない。 主に異なる実験室は異なる染色様式を持っているため、これはありそうにない仮定である。 そこで本研究では,多くの研究室の染色スタイルを計算的に整列し,プライバシ保護方式で学習し,計算病理学におけるフェデレーション学習を促進できる生成モデルであるBottleGANを提案する。 我々は,PESOセグメンテーションデータセットに基づく異種多施設データセットを構築し,既存のフェデレート学習アルゴリズムと比較して,IOUを42.5%改善する。 BottleGANの実装はhttps://github.com/MECLabTUDA/BottleGANで公開されている。

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)
• Federated Learning on Transcriptomic Data: Model Quality and Performance Trade-Offs [0.0]
  大規模なゲノムまたは転写データの機械学習は、多くの新しい健康アプリケーションにとって重要である。 プライバシーと規制上の理由から、信頼できるサードパーティですべてのデータを集約することも問題となる。 生データを交換することなく、分散型で協調的な機械学習を可能にするため、フェデレーション学習は有望なソリューションである。
  論文  参考訳（メタデータ） (2024-02-22T13:21:26Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Collaborative Training of Medical Artificial Intelligence Models with non-uniform Labels [0.07176066267895696]
  強力で堅牢なディープラーニングモデルを構築するには、大規模なマルチパーティデータセットによるトレーニングが必要だ。 このようなデータに対する協調学習のためのフレキシブル・フェデレーション・ラーニング(FFL)を提案する。 不均質なラベル付きデータセットを持つことで、FFLベースのトレーニングがパフォーマンスを著しく向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-24T13:48:54Z)
• 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)
• SplitAVG: A heterogeneity-aware federated deep learning method for medical imaging [29.271291030933966]
  フェデレートラーニング(Federated Learning)は、患者データを共有することなく、ディープラーニングモデルを協調的にトレーニングするための、新たな研究パラダイムである。 本研究では,フェデレーション学習におけるデータの不均一性から得られる性能低下を克服する,新しいヘテロジニアス対応フェデレーション学習手法であるSplitAVGを提案する。 本研究では,SplitAVGを7つの最先端のフェデレーション学習手法と比較する。
  論文  参考訳（メタデータ） (2021-07-06T03:58:10Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Siloed Federated Learning for Multi-Centric Histopathology Datasets [0.17842332554022694]
  本稿では,医学領域における深層学習アーキテクチャのための新しいフェデレーション学習手法を提案する。 局所統計バッチ正規化(BN)層が導入され、協調的に訓練されるが中心に固有のモデルが作られる。 本研究では,Camelyon16およびCamelyon17データセットから抽出した腫瘍組織像の分類法についてベンチマークを行った。
  論文  参考訳（メタデータ） (2020-08-17T15:49:30Z)

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。