論文の概要: Scale Federated Learning for Label Set Mismatch in Medical Image Classification

• arxiv url: http://arxiv.org/abs/2304.06931v2
• Date: Fri, 25 Aug 2023 05:07:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-28 17:32:03.673798
• Title: Scale Federated Learning for Label Set Mismatch in Medical Image Classification
• Title（参考訳）: 医用画像分類におけるラベルセットミスマッチのスケールフェデレーション学習
• Authors: Zhipeng Deng, Luyang Luo, and Hao Chen
• Abstract要約: フェデレートラーニング(FL)は、分散型ラーニングパラダイムとして医療分野に導入されている。 これまでのほとんどの研究は、全てのクライアントが同一のラベルセットを持っていると仮定している。 本稿では,ラベルセットミスマッチの問題を解決するためのフレームワークFedLSMを提案する。
• 参考スコア（独自算出の注目度）: 4.344828846048128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) has been introduced to the healthcare domain as a decentralized learning paradigm that allows multiple parties to train a model collaboratively without privacy leakage. However, most previous studies have assumed that every client holds an identical label set. In reality, medical specialists tend to annotate only diseases within their area of expertise or interest. This implies that label sets in each client can be different and even disjoint. In this paper, we propose the framework FedLSM to solve the problem of Label Set Mismatch. FedLSM adopts different training strategies on data with different uncertainty levels to efficiently utilize unlabeled or partially labeled data as well as class-wise adaptive aggregation in the classification layer to avoid inaccurate aggregation when clients have missing labels. We evaluated FedLSM on two public real-world medical image datasets, including chest X-ray (CXR) diagnosis with 112,120 CXR images and skin lesion diagnosis with 10,015 dermoscopy images, and showed that it significantly outperformed other state-of-the-art FL algorithms. The code can be found at https://github.com/dzp2095/FedLSM.
• Abstract（参考訳）: フェデレートラーニング(FL)は、複数のパーティがプライバシリークなしで協調的にモデルをトレーニングできる分散学習パラダイムとして、ヘルスケアドメインに導入されている。 しかし、以前の研究のほとんどは、すべてのクライアントが同一のラベルセットを持っていると仮定している。 実際には、医療専門家は専門分野や関心領域内の病気に注釈を付ける傾向がある。 これは各クライアントのラベルセットが異なっており、また不一致さえあることを意味する。 本稿では,ラベルセットミスマッチの問題を解決するためのフレームワークFedLSMを提案する。 FedLSMは、異なる不確実性レベルを持つデータに対する異なるトレーニング戦略を採用し、ラベルなしまたは部分的にラベル付けされたデータを効率的に利用し、分類層におけるクラスワイド適応アグリゲーションを利用して、クライアントがラベルを欠いているときに不正確なアグリゲーションを避ける。 112,120CXR画像による胸部X線診断と10,015皮膚内視鏡画像による皮膚病変診断の2つの医用画像データセットを用いてFedLSMを評価し,他のFLアルゴリズムよりも有意に優れていた。 コードはhttps://github.com/dzp2095/FedLSMで見ることができる。

関連論文リスト

• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• FedMLP: Federated Multi-Label Medical Image Classification under Task Heterogeneity [30.49607763632271]
  クロスサイロ・フェデレーション・ラーニング(FL)は、分散化された組織がデータのプライバシを保持しながら、協力的にモデルをトレーニングすることを可能にする。 擬似ラベルタグ付けとグローバル知識学習という2つの側面から欠落したクラスに対処する2段階のFedMLPを提案する。 公的に利用可能な2つの医療データセットの実験は、FedMLPの最先端の半教師付きおよびノイズの多いラベル学習アプローチに対する優位性を検証する。
  論文  参考訳（メタデータ） (2024-06-27T08:36:43Z)
• Rethinking Semi-Supervised Federated Learning: How to co-train fully-labeled and fully-unlabeled client imaging data [6.322831694506287]
  分離フェデレートラーニング(IsoFed)は、半教師付きフェデレートラーニング(SSFL)に特化して設計されたラーニングスキームである。 本稿では,教師付きモデルと半教師付きモデルの簡易な平均化を回避し,SSFLに特化して設計した新しい学習手法を提案する。 特に、我々のトレーニングアプローチは、(a)ラベル付きおよびラベルなしのクライアントモデルの独立したアグリゲーションと、(b)すべてのクライアントで独立したグローバルモデルのローカルな自己教師付き事前トレーニングという2つの部分で構成されています。
  論文  参考訳（メタデータ） (2023-10-28T20:41:41Z)
• 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)
• Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
  クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。 このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-06-27T06:51:48Z)
• FedMix: Mixed Supervised Federated Learning for Medical Image Segmentation [29.728635583886046]
  混合画像ラベルに基づく医用画像セグメンテーションのためのラベルに依存しない統合学習フレームワークであるFedMixを提案する。 FedMixでは、各クライアントが、すべての利用可能なラベル付きデータの統合と有効利用によって、フェデレートされたモデルを更新する。 既存の手法と比較して、FedMixは単一のレベルの画像監視の制約を突破するだけでなく、各ローカルクライアントの集約重みを動的に調整できる。
  論文  参考訳（メタデータ） (2022-05-04T01:17:53Z)
• 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)
• Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
  フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。 本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。 本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:58:00Z)
• Matching the Clinical Reality: Accurate OCT-Based Diagnosis From Few Labels [2.891413712995642]
  ラベルのないデータはクリニックで多用されることが多く、半教師付き学習に基づく機械学習手法がこの設定に適している。 最近提案されたMixMatchアルゴリズムとFixMatchアルゴリズムは有用な表現を抽出する有望な結果を証明している。 いずれのアルゴリズムも、ラベル付きデータの全ての部分において、転送学習ベースラインを上回ります。
  論文  参考訳（メタデータ） (2020-10-23T11:47:28Z)
• 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。