Fugu-MT 論文翻訳(概要): Federated Learning for Chronic Obstructive Pulmonary Disease Classification with Partial Personalized Attention Mechanism

論文の概要: Federated Learning for Chronic Obstructive Pulmonary Disease Classification with Partial Personalized Attention Mechanism

arxiv url: http://arxiv.org/abs/2210.16142v1
Date: Fri, 28 Oct 2022 14:12:42 GMT
ステータス: 処理完了
システム内更新日: 2022-10-31 16:33:38.497989
Title: Federated Learning for Chronic Obstructive Pulmonary Disease Classification with Partial Personalized Attention Mechanism
Title（参考訳）: パーシャルパーソナライズされた注意機構を用いた慢性閉塞性肺疾患分類のための連合学習
Authors: Yiqing Shen, Baiyun Liu, Ruize Yu, Yudong Wang, Shaokang Wang, Jiangfen Wu, Weidao Chen
Abstract要約: 慢性閉塞性肺疾患(COPD)は世界で4番目に多い死因である。近年のディープラーニング(DL)の進歩は,CT画像からの COPD の同定に有望な可能性を示唆している。本研究では,視覚変換器(ViT)をベースとしたPFL法を提案する。
参考スコア（独自算出の注目度）: 1.762550832378922
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Chronic Obstructive Pulmonary Disease (COPD) is the fourth leading cause of death worldwide. Yet, COPD diagnosis heavily relies on spirometric examination as well as functional airway limitation, which may cause a considerable portion of COPD patients underdiagnosed especially at the early stage. Recent advance in deep learning (DL) has shown their promising potential in COPD identification from CT images. However, with heterogeneous syndromes and distinct phenotypes, DL models trained with CTs from one data center fail to generalize on images from another center. Due to privacy regularizations, a collaboration of distributed CT images into one centralized center is not feasible. Federated learning (FL) approaches enable us to train with distributed private data. Yet, routine FL solutions suffer from performance degradation in the case where COPD CTs are not independent and identically distributed (Non-IID). To address this issue, we propose a novel personalized federated learning (PFL) method based on vision transformer (ViT) for distributed and heterogeneous COPD CTs. To be more specific, we partially personalize some heads in multiheaded self-attention layers to learn the personalized attention for local data and retain the other heads shared to extract the common attention. To the best of our knowledge, this is the first proposal of a PFL framework specifically for ViT to identify COPD. Our evaluation of a dataset set curated from six medical centers shows our method outperforms the PFL approaches for convolutional neural networks.
Abstract（参考訳）: 慢性閉塞性肺疾患(COPD)は世界で4番目に多い死因である。しかし, COPD の診断は, 呼吸機能検査と機能的気道制限に大きく依存しており, 特に早期に診断された COPD 患者のかなりの割合を生じる可能性がある。近年のディープラーニング(DL)の進歩は,CT画像からの COPD の同定に有望な可能性を示唆している。しかし、ヘテロジニアス症候群と異なる表現型により、あるデータセンターのctで訓練されたdlモデルは、別のセンターの画像の一般化に失敗している。プライバシーの規則化のため、分散CT画像の1つの中央集中センターへの協調は不可能である。フェデレーション学習(fl)アプローチは、分散プライベートデータをトレーニング可能にする。しかし, COPD CT が独立で同一分布しない場合 (Non-IID) では, 通常のFLソリューションは性能劣化に悩まされる。そこで本研究では,分散型および異種型copd ctsのための視覚トランスフォーマー(vit)に基づくパーソナライズ型連合学習(pfl)手法を提案する。より具体的には、複数の頭を持つ自己注意層における頭部の一部をパーソナライズし、局所データのパーソナライズされた注意を学習し、他の頭部を共有して共通の注意を抽出する。我々の知る限りでは、これはVTがPDを識別するためのPFLフレームワークの最初の提案である。 6つの医療センターから収集したデータセットの評価は,畳み込みニューラルネットワークのpflアプローチを上回っている。

関連論文リスト

FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文参考訳（メタデータ） (2024-10-28T02:24:01Z)
FeDETR: a Federated Approach for Stenosis Detection in Coronary Angiography [0.3823356975862007]
冠動脈狭窄は心不全の根底にある因子である。冠動脈病変の診断にはいくつかの欠点がある。深層学習法は、FFR/iFR値の自動推定において、心臓科医を支援するために登場した。
論文参考訳（メタデータ） (2024-09-21T23:52:05Z)
cOOpD: Reformulating COPD classification on chest CT scans as anomaly detection using contrastive representations [0.6733204971296001]
cOOpD: 正常な同種肺領域からヘテロジニアス領域がアウト・オブ・ディストリビューション (OOD) として検出される。生成モデルは、健全な表現の分布を学び、異常を逸脱として識別する。 AUROCでは,cOOpDが8.2%,7.7%の増加とともに,2つの公開データセット上で最高のパフォーマンスを実現していることを示す。
論文参考訳（メタデータ） (2023-07-14T10:05:37Z)
Federated Learning with Privacy-Preserving Ensemble Attention Distillation [63.39442596910485]
Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
論文参考訳（メタデータ） (2022-10-16T06:44:46Z)
UniToBrain dataset: a Brain Perfusion Dataset [2.02258267891574]
では、UniToBrainを紹介します。本稿では,画像処理と深層学習モデル開発のために,欧州のECVLとEDDLを用いたニューラルネットワークに基づく新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-08-01T07:16:02Z)
FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
論文参考訳（メタデータ） (2022-01-22T02:50:29Z)
Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
論文参考訳（メタデータ） (2021-07-06T12:57:32Z)
Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文参考訳（メタデータ） (2021-04-07T16:23:35Z)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)
COPD Classification in CT Images Using a 3D Convolutional Neural Network [10.217631381481457]
慢性閉塞性肺疾患(英: chronic obstructive lung disease, COPD)は、完全に可逆性ではない肺疾患である。ボリュームワイドアノテーションのみを用いて, COPDと気腫を分類する3次元深層学習手法を提案する。また,事前に訓練したCOPD分類モデルからの知識伝達を用いた気腫分類における移動学習の効果を実証した。
論文参考訳（メタデータ） (2020-01-04T16:58:45Z)

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。