論文の概要: Learning Personalized Brain Functional Connectivity of MDD Patients from
Multiple Sites via Federated Bayesian Networks
- arxiv url: http://arxiv.org/abs/2301.02423v1
- Date: Fri, 6 Jan 2023 08:58:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 00:18:28.787322
- Title: Learning Personalized Brain Functional Connectivity of MDD Patients from
Multiple Sites via Federated Bayesian Networks
- Title（参考訳）: 統合ベイズネットワークによるMDD患者のパーソナライズされた脳機能結合の学習
- Authors: Shuai Liu, Xiao Guo, Shun Qi, Huaning Wang and Xiangyu Chang
- Abstract要約: 我々は,複数のベイズネットワークの同時学習のための連合型共同推定器NOTEARS-PFLを提案する。
合成および実世界のマルチサイトRS-fMRIデータセットにおける提案手法の性能評価を行った。
- 参考スコア（独自算出の注目度）: 9.873532358701803
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying functional connectivity biomarkers of major depressive disorder
(MDD) patients is essential to advance understanding of the disorder mechanisms
and early intervention. However, due to the small sample size and the high
dimension of available neuroimaging data, the performance of existing methods
is often limited. Multi-site data could enhance the statistical power and
sample size, while they are often subject to inter-site heterogeneity and
data-sharing policies. In this paper, we propose a federated joint estimator,
NOTEARS-PFL, for simultaneous learning of multiple Bayesian networks (BNs) with
continuous optimization, to identify disease-induced alterations in MDD
patients. We incorporate information shared between sites and site-specific
information into the proposed federated learning framework to learn
personalized BN structures by introducing the group fused lasso penalty. We
develop the alternating direction method of multipliers, where in the local
update step, the neuroimaging data is processed at each local site. Then the
learned network structures are transmitted to the center for the global update.
In particular, we derive a closed-form expression for the local update step and
use the iterative proximal projection method to deal with the group fused lasso
penalty in the global update step. We evaluate the performance of the proposed
method on both synthetic and real-world multi-site rs-fMRI datasets. The
results suggest that the proposed NOTEARS-PFL yields superior effectiveness and
accuracy than the comparable methods.
- Abstract（参考訳）: 主要うつ病性障害(mdd)患者の機能的結合バイオマーカーの同定は、障害機構の解明と早期介入に不可欠である。
しかし, サンプルサイズが小さく, 利用可能な神経画像データの高次元化により, 既存手法の性能は制限されることが多い。
多地点データでは統計的パワーとサンプルサイズが向上するが、サイト間の不均一性とデータ共有ポリシーがしばしば適用される。
本稿では,複数のベイズネットワーク(BN)を連続的最適化で同時学習し,MDD患者の疾患誘発変化を同定するための連合型関節推定器NOTEARS-PFLを提案する。
提案するフェデレーション学習フレームワークには,サイト間で共有される情報とサイト固有の情報を組み込んで,グループ融合ラッソペナルティを導入することで,パーソナライズされたBN構造を学習する。
そこで我々は,局所的な更新ステップにおいて,各局所でニューロイメージングデータを処理した乗算器の交互方向法を開発した。
そして、学習したネットワーク構造をセンターに送信し、グローバル更新を行う。
特に,局所的な更新ステップのクローズドフォーム式を導出し,グループ融合ラッソペナルティを扱うために反復的近近投射法を用いる。
合成および実世界のマルチサイトRS-fMRIデータセットにおける提案手法の性能評価を行った。
その結果,提案したNOTEARS-PFLは同等の手法よりも有効性と精度が高いことがわかった。
関連論文リスト
- FedMRL: Data Heterogeneity Aware Federated Multi-agent Deep Reinforcement Learning for Medical Imaging [12.307490659840845]
我々は,データの不均一性に対処する新しいマルチエージェント深層強化学習フレームワークであるFedMRLを紹介する。
FedMRLは、クライアント間の公平性を促進するために、新たな損失関数を導入し、最終グローバルモデルのバイアスを防ぐ。
その結果,FedMRLが最先端技術よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-07-08T10:10:07Z) - FedMM: Federated Multi-Modal Learning with Modality Heterogeneity in
Computational Pathology [3.802258033231335]
Federated Multi-Modal (FedMM) は、複数の単一モード特徴抽出器を訓練し、その後の分類性能を向上させる学習フレームワークである。
FedMMは、精度とAUCメトリクスの2つのベースラインを特に上回っている。
論文 参考訳（メタデータ） (2024-02-24T16:58:42Z) - 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) - Learning Federated Visual Prompt in Null Space for MRI Reconstruction [83.71117888610547]
我々はMRI再建のためのグローバルプロンプトのヌル空間におけるフェデレートされた視覚的プロンプトを学習するための新しいアルゴリズムであるFedPRを提案する。
FedPRは、ローカルトレーニングデータの限られた量を与えられた場合、通信コストの6%で最先端のFLアルゴリズムを著しく上回っている。
論文 参考訳（メタデータ） (2023-03-28T17:46:16Z) - Decentralized Distributed Learning with Privacy-Preserving Data
Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。
最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。
ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文 参考訳（メタデータ） (2022-06-20T23:49:38Z) - Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。
我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。
提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文 参考訳（メタデータ） (2022-06-11T18:03:26Z) - FedDKD: Federated Learning with Decentralized Knowledge Distillation [3.9084449541022055]
分散知識蒸留法(FedDKD)を応用した新しいフェデレートラーニングフレームワークを提案する。
我々は、FedDKDが、いくつかのDKDステップにおいて、より効率的なコミュニケーションと訓練により最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-05-02T07:54:07Z) - 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) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - 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) - Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。
患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。
フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2020-01-16T04:49:33Z)
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。