論文の概要: An Evaluation of Non-Contrastive Self-Supervised Learning for Federated
Medical Image Analysis
- arxiv url: http://arxiv.org/abs/2303.05556v1
- Date: Thu, 9 Mar 2023 19:31:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 16:53:35.034279
- Title: An Evaluation of Non-Contrastive Self-Supervised Learning for Federated
Medical Image Analysis
- Title(参考訳): フェデレーション医用画像解析における非コントラスト型自己監督学習の評価
- Authors: Soumitri Chattopadhyay, Soham Ganguly, Sreejit Chaudhury, Sayan Nag,
Samiran Chattopadhyay
- Abstract要約: 医用画像解析のためのフェデレートラーニング(FL)シミュレーションにおいて,非コントラスト型自己教師学習(SSL)アルゴリズムの適用性を体系的に検討した。
我々は,非I.d.データ条件下で選択した4つの非競合アルゴリズムのパフォーマンスを,異なる数のクライアントでベンチマークした。
6つの標準化された医用画像データセット上で,これらの手法の全体的評価を行う。
- 参考スコア(独自算出の注目度): 2.458658951393896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Privacy and annotation bottlenecks are two major issues that profoundly
affect the practicality of machine learning-based medical image analysis.
Although significant progress has been made in these areas, these issues are
not yet fully resolved. In this paper, we seek to tackle these concerns head-on
and systematically explore the applicability of non-contrastive self-supervised
learning (SSL) algorithms under federated learning (FL) simulations for medical
image analysis. We conduct thorough experimentation of recently proposed
state-of-the-art non-contrastive frameworks under standard FL setups. With the
SoTA Contrastive Learning algorithm, SimCLR as our comparative baseline, we
benchmark the performances of our 4 chosen non-contrastive algorithms under
non-i.i.d. data conditions and with a varying number of clients. We present a
holistic evaluation of these techniques on 6 standardized medical imaging
datasets. We further analyse different trends inferred from the findings of our
research, with the aim to find directions for further research based on ours.
To the best of our knowledge, ours is the first to perform such a thorough
analysis of federated self-supervised learning for medical imaging. All of our
source code will be made public upon acceptance of the paper.
- Abstract(参考訳): プライバシとアノテーションのボトルネックは、機械学習ベースの医療画像分析の実用性に大きな影響を与える2つの大きな問題である。
これらの分野では大きな進展があったが、これらの問題はまだ完全には解決されていない。
本稿では,これらの問題に真っ向から取り組み,医用画像解析のためのFLシミュレーションにおける非コントラスト型自己教師学習(SSL)アルゴリズムの適用性について,体系的に検討する。
我々は最近提案された最先端の非競合フレームワークを標準FLセットアップで徹底的に実験する。
sotaコントラスト学習アルゴリズムであるsimclrを比較ベースラインとして,非i.i.d.データ条件とクライアント数の異なる4種類の非コントラストアルゴリズムの性能ベンチマークを行った。
6つの標準化された医用画像データセット上で,これらの手法の総合評価を行う。
本研究の結果から推察される異なる傾向をさらに分析し,今後の研究の方向性を明らかにすることを目的としている。
私たちの知る限りでは、医療画像のための連合型自己教師付き学習をこれほど徹底的に分析したのは私たちの初めてです。
私たちのソースコードはすべて、論文の受理時に公開されます。
関連論文リスト
- Out-of-distribution Detection in Medical Image Analysis: A survey [12.778646136644399]
コンピュータ支援診断は、ディープラーニングベースのコンピュータビジョン技術の発展の恩恵を受けている。
従来の教師付きディープラーニング手法は、テストサンプルがトレーニングデータと同じ分布から引き出されることを前提としている。
実際の臨床シナリオでは分布外のサンプルに遭遇し、深層学習に基づく医用画像解析タスクにおいてサイレント障害を引き起こす可能性がある。
論文 参考訳(メタデータ) (2024-04-28T18:51:32Z) - A comprehensive survey on deep active learning in medical image analysis [23.849628978883707]
深層学習は医用画像解析において広く成功し、大規模な専門家による医用画像データセットの需要が高まっている。
しかし、医用画像に注釈をつける高コストは、この分野での深層学習の発展を著しく妨げている。
アノテーションのコストを削減するため、アクティブラーニングは、アノテーションの最も有益なサンプルを選択し、できるだけ少ないラベル付きサンプルで高性能モデルを訓練することを目的としている。
論文 参考訳(メタデータ) (2023-10-22T08:46:40Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Federated Learning for Medical Image Analysis: A Survey [16.800565615106784]
医療画像における機械学習は、しばしば基本的なジレンマに直面している。
有望なソリューションとして、クロスサイトデータを共有することなく、さまざまなサイトからのデータに基づいて機械学習モデルの協調トレーニングを可能にするフェデレーション学習が近年注目を集めている。
論文 参考訳(メタデータ) (2023-06-09T15:46:42Z) - A Review on Deep-Learning Algorithms for Fetal Ultrasound-Image Analysis [5.512295869673148]
本稿は、2017年以降に出版された研究論文145件について、この分野における最新の研究状況について調査する。
本論文は, (i) 胎児標準平面検出, (ii) 解剖学的構造解析, (iii) バイオメトリパラメーター推定で分類した。
本稿では、胎児のUS画像解析のためのDLアルゴリズムに関する技術の現状を批判的に要約する。
論文 参考訳(メタデータ) (2022-01-28T17:22:44Z) - Self-supervised learning methods and applications in medical imaging
analysis: A survey [0.0]
本稿では,医用画像解析分野における画像データへの自己教師付き学習アプローチの最先端研究の方向性について概説する。
この論文は、医療画像解析における自己教師型学習の分野における最新の研究の40点を取り上げ、その分野における最近のイノベーションの光を隠蔽することを目的としている。
論文 参考訳(メタデータ) (2021-09-17T17:01:42Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳(メタデータ) (2020-12-10T13:56:00Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳(メタデータ) (2020-10-07T08:36:44Z) - 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。