論文の概要: Cross-Modal Vertical Federated Learning for MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2306.02673v1
- Date: Mon, 5 Jun 2023 08:07:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 16:20:28.774382
- Title: Cross-Modal Vertical Federated Learning for MRI Reconstruction
- Title（参考訳）: MRI再建のための経時的縦断的学習
- Authors: Yunlu Yan, Hong Wang, Yawen Huang, Nanjun He, Lei Zhu, Yuexiang Li,
Yong Xu, Yefeng Zheng
- Abstract要約: フェデレート・ラーニング(Federated Learning)は、複数の病院がプライバシーの開示なしに共有モデルを共同で学習することを可能にする。
我々は、MRI再建を促進するための新しいフレームワーク、フェデレート・一貫性規則化制約付き特徴分散(Fed-CRFD)を開発した。
本手法は,領域シフト問題を緩和しつつ,病院からのマルチソースデータを完全に活用することができる。
- 参考スコア（独自算出の注目度）: 42.527873703840996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning enables multiple hospitals to cooperatively learn a shared
model without privacy disclosure. Existing methods often take a common
assumption that the data from different hospitals have the same modalities.
However, such a setting is difficult to fully satisfy in practical
applications, since the imaging guidelines may be different between hospitals,
which makes the number of individuals with the same set of modalities limited.
To this end, we formulate this practical-yet-challenging cross-modal vertical
federated learning task, in which shape data from multiple hospitals have
different modalities with a small amount of multi-modality data collected from
the same individuals. To tackle such a situation, we develop a novel framework,
namely Federated Consistent Regularization constrained Feature Disentanglement
(Fed-CRFD), for boosting MRI reconstruction by effectively exploring the
overlapping samples (individuals with multi-modalities) and solving the domain
shift problem caused by different modalities. Particularly, our Fed-CRFD
involves an intra-client feature disentangle scheme to decouple data into
modality-invariant and modality-specific features, where the modality-invariant
features are leveraged to mitigate the domain shift problem. In addition, a
cross-client latent representation consistency constraint is proposed
specifically for the overlapping samples to further align the
modality-invariant features extracted from different modalities. Hence, our
method can fully exploit the multi-source data from hospitals while alleviating
the domain shift problem. Extensive experiments on two typical MRI datasets
demonstrate that our network clearly outperforms state-of-the-art MRI
reconstruction methods. The source code will be publicly released upon the
publication of this work.
- Abstract（参考訳）: フェデレート・ラーニング(Federated Learning)は、複数の病院がプライバシー開示なしに共有モデルを共同で学習できるようにする。
既存の方法は、異なる病院のデータが同じモダリティを持つという共通の仮定をとることが多い。
しかし, イメージングガイドラインが病院によって異なる場合があり, 同じモダリティの個体数に制限があるため, 現実的な用途ではそのような設定を十分に満たすことは困難である。
そこで本研究では,複数の病院の形状データを同一個人から収集した少量のマルチモーダルデータと異なるモダリティを持つような,実用的でカオス的な垂直フェデレーション学習タスクを定式化する。
このような状況に対処するために,重なり合ったサンプル(多変量を持つ個体)を効果的に探索し,異なるモダリティによるドメインシフト問題を解くことでmri再構成を促進する,federated consistent regularization restricteded feature disentanglement(fed-crfd)という新しい枠組みを開発した。
特に、我々のFed-CRFDでは、データからモダリティ不変およびモダリティ固有の特徴を分離する、クライアント内特徴不整合方式を採用しています。
さらに、重なり合うサンプルに対して、異なるモダリティから抽出されたモジュラリティ不変の特徴を更に整合させるために、クロスクリエントな潜在表現整合性制約を提案する。
したがって,本手法は,ドメインシフト問題を緩和しつつ,病院からのマルチソースデータを完全に活用することができる。
2つの典型的なMRIデータセットに対する大規模な実験により、我々のネットワークは明らかに最先端のMRI再構成方法より優れていることが示された。
ソースコードは、この作品の公開と同時に公開される予定だ。
関連論文リスト
- 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) - Multi-Modal Federated Learning for Cancer Staging over Non-IID Datasets with Unbalanced Modalities [9.476402318365446]
本研究では,データサンプルの不均一性だけでなく,機関間のデータモダリティの固有不均一性と不均一性を両立する新しいFLアーキテクチャを提案する。
マルチモーダルFLに適した分散勾配ブレンディングと近接対応クライアント重み付け戦略を考案した。
論文 参考訳（メタデータ） (2024-01-07T23:45:01Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - Federated Pseudo Modality Generation for Incomplete Multi-Modal MRI
Reconstruction [26.994070472726357]
Fed-PMGは、コミュニケーション効率の高い新しいフェデレーション学習フレームワークである。
単一モーダルクライアントごとに欠落したモーダルを復元する擬似モーダル生成機構を提案する。
当社のアプローチは, 許容可能な通信コストの範囲内で, 欠落したモダリティを効果的に達成することができる。
論文 参考訳（メタデータ） (2023-08-20T03:38:59Z) - DISA: DIfferentiable Similarity Approximation for Universal Multimodal
Registration [39.44133108254786]
表現力のあるクロスモーダル記述子を作成するための汎用フレームワークを提案する。
私たちは、小さな畳み込みニューラルネットワークの特徴空間において、既存のメトリクスをドット積で近似することで、これを実現する。
本手法は局所的なパッチベースの指標よりも数桁高速であり,臨床現場で直接適用することができる。
論文 参考訳（メタデータ） (2023-07-19T12:12:17Z) - FedDG: Federated Domain Generalization on Medical Image Segmentation via
Episodic Learning in Continuous Frequency Space [63.43592895652803]
フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。
臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。
そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。
本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
論文 参考訳（メタデータ） (2021-03-10T13:05:23Z) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2021-03-03T03:04:40Z) - Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for
Biomedical Imaging [2.1204495827342438]
本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。
正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
論文 参考訳（メタデータ） (2020-06-08T07:35:55Z) - Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement
and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。
我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。
我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文 参考訳（メタデータ） (2020-02-22T14:32:04Z) - 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)
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。