論文の概要: MLA-BIN: Model-level Attention and Batch-instance Style Normalization
for Domain Generalization of Federated Learning on Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2306.17008v1
- Date: Thu, 29 Jun 2023 15:04:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-30 12:47:07.986767
- Title: MLA-BIN: Model-level Attention and Batch-instance Style Normalization
for Domain Generalization of Federated Learning on Medical Image Segmentation
- Title（参考訳）: MLA-BIN:医療画像分割におけるフェデレーション学習の領域一般化のためのモデルレベルの注意とバッチインスタンススタイルの正規化
- Authors: Fubao Zhu, Yanhui Tian, Chuang Han, Yanting Li, Jiaofen Nan, Ni Yao
and Weihua Zhou
- Abstract要約: 医用画像のセグメンテーションでは、各医療施設はフェデレートラーニング(FL)のクライアントとして機能し、そのデータは自然にドメインを形成する。
FLは、見たドメインモデルの性能を改善する可能性を提供します。
しかし、実際のデプロイメントにおいてドメイン一般化(DG)の問題があり、つまり、FLが未確認領域で訓練したモデルの性能が低下する。
- 参考スコア（独自算出の注目度）: 1.5239522480830854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The privacy protection mechanism of federated learning (FL) offers an
effective solution for cross-center medical collaboration and data sharing. In
multi-site medical image segmentation, each medical site serves as a client of
FL, and its data naturally forms a domain. FL supplies the possibility to
improve the performance of seen domains model. However, there is a problem of
domain generalization (DG) in the actual de-ployment, that is, the performance
of the model trained by FL in unseen domains will decrease. Hence, MLA-BIN is
proposed to solve the DG of FL in this study. Specifically, the model-level
attention module (MLA) and batch-instance style normalization (BIN) block were
designed. The MLA represents the unseen domain as a linear combination of seen
domain models. The atten-tion mechanism is introduced for the weighting
coefficient to obtain the optimal coefficient ac-cording to the similarity of
inter-domain data features. MLA enables the global model to gen-eralize to
unseen domain. In the BIN block, batch normalization (BN) and instance
normalization (IN) are combined to perform the shallow layers of the
segmentation network for style normali-zation, solving the influence of
inter-domain image style differences on DG. The extensive experimental results
of two medical image seg-mentation tasks demonstrate that the proposed MLA-BIN
outperforms state-of-the-art methods.
- Abstract（参考訳）: フェデレートラーニング(FL)のプライバシ保護メカニズムは、クロスセンター医療コラボレーションとデータ共有に有効なソリューションを提供する。
多地点の医療画像セグメンテーションでは、各医療施設はFLのクライアントとして機能し、そのデータは自然にドメインを形成する。
FLは、見たドメインモデルの性能を改善する可能性を提供します。
しかし、実際のデプロイメントでは、ドメイン一般化 (dg) の問題があり、すなわち、flによって訓練されたunseenドメインでのモデルの性能は低下する。
したがって、本研究では、FLのDGを解決するためにMLA-BINを提案する。
具体的には、モデルレベルのアテンションモジュール(MLA)とバッチインスタンススタイルの正規化(BIN)ブロックが設計された。
MLAは目に見えない領域を、目に見えない領域モデルの線形結合として表現する。
重み係数に対して減衰機構を導入し、ドメイン間データ特徴の類似性に応じて最適な係数acを得る。
MLAは、グローバルモデルが未確認領域にジェネリゼーションすることを可能にする。
BINブロックでは、バッチ正規化(BN)とインスタンス正規化(IN)を組み合わせて、スタイル正規化のためのセグメンテーションネットワークの浅い層を実行し、ドメイン間の画像スタイルの違いがDGに与える影響を解決する。
2つの医用画像セグメンテーションタスクの広範な実験結果は、提案したMLA-BINが最先端の手法より優れていることを示している。
関連論文リスト
- FedSoup: Improving Generalization and Personalization in Federated
Learning via Selective Model Interpolation [32.36334319329364]
クロスサイロフェデレーション学習(FL)は、データセンタに分散したデータセット上での機械学習モデルの開発を可能にする。
近年の研究では、現在のFLアルゴリズムは、分布シフトに直面した場合、局所的な性能とグローバルな性能のトレードオフに直面している。
地域とグローバルのパフォーマンスのトレードオフを最適化する新しいフェデレーションモデルスープ手法を提案する。
論文 参考訳（メタデータ） (2023-07-20T00:07:29Z) - Unifying and Personalizing Weakly-supervised Federated Medical Image
Segmentation via Adaptive Representation and Aggregation [1.121358474059223]
フェデレートラーニング(FL)は、データプライバシとセキュリティを損なうことなく、複数のサイトが協力して強力なディープモデルをトレーニングすることを可能にする。
微粒な監督を施した弱く監督されたセグメンテーションは、アノテーションコストを下げる大きな可能性を秘めているため、ますます注目されている。
医用画像セグメンテーションのための新しいFLフレームワークであるFedICRAを提案する。
論文 参考訳（メタデータ） (2023-04-12T06:32:08Z) - Generalizable Medical Image Segmentation via Random Amplitude Mixup and
Domain-Specific Image Restoration [17.507951655445652]
本稿では,新しい医用画像分割法を提案する。
具体的には、セグメント化モデルと自己超越ドメイン固有の画像復元モジュールを組み合わせることで、マルチタスクパラダイムとしてアプローチを設計する。
医用画像における2つの一般化可能なセグメンテーションベンチマークにおいて,本手法の有効性を示す。
論文 参考訳（メタデータ） (2022-08-08T03:56:20Z) - FedDM: Iterative Distribution Matching for Communication-Efficient
Federated Learning [87.08902493524556]
フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。
我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。
そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
論文 参考訳（メタデータ） (2022-07-20T04:55:18Z) - Contrastive Domain Disentanglement for Generalizable Medical Image
Segmentation [12.863227646939563]
本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。
まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。
次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
論文 参考訳（メタデータ） (2022-05-13T10:32:41Z) - Federated and Generalized Person Re-identification through Domain and
Feature Hallucinating [88.77196261300699]
人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。
一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。
提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-05T09:15:13Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Graphical Modeling for Multi-Source Domain Adaptation [56.05348879528149]
マルチソースドメイン適応(MSDA)は、複数のソースドメインからターゲットドメインへの知識の転送に焦点を当てている。
我々は2種類のグラフィカルモデルを提案する。
MSDAの条件付きランダムフィールド(CRF-MSDA)とMSDAのマルコフランダムフィールド(MRF-MSDA)
これらの2つのモデルを、ドメインシフトとデータの複雑さが異なるMSDAの4つの標準ベンチマークデータセットで評価します。
論文 参考訳（メタデータ） (2021-04-27T09:04:22Z) - Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文 参考訳（メタデータ） (2021-03-15T15:23:10Z) - 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)
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。