論文の概要: Benchmarking Collaborative Learning Methods Cost-Effectiveness for Prostate Segmentation

• arxiv url: http://arxiv.org/abs/2309.17097v1
• Date: Fri, 29 Sep 2023 09:47:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-02 14:46:46.473366
• Title: Benchmarking Collaborative Learning Methods Cost-Effectiveness for Prostate Segmentation
• Title（参考訳）: 前立腺分割のための協調学習手法のベンチマーク
• Authors: Lucia Innocenti, Michela Antonelli, Francesco Cremonesi, Kenaan Sarhan, Alejandro Granados, Vicky Goh, Sebastien Ourselin, Marco Lorenzi
• Abstract要約: 我々は,MRIによる前立腺分節化問題に協調的なシナリオで対処する。 私たちの知る限りでは、コラボレーティブラーニングの問題を解決するためにコンセンサスベースの手法(CBM)が使用されるのはこれが初めてです。
• 参考スコア（独自算出の注目度）: 39.19170617818745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Healthcare data is often split into medium/small-sized collections across multiple hospitals and access to it is encumbered by privacy regulations. This brings difficulties to use them for the development of machine learning and deep learning models, which are known to be data-hungry. One way to overcome this limitation is to use collaborative learning (CL) methods, which allow hospitals to work collaboratively to solve a task, without the need to explicitly share local data. In this paper, we address a prostate segmentation problem from MRI in a collaborative scenario by comparing two different approaches: federated learning (FL) and consensus-based methods (CBM). To the best of our knowledge, this is the first work in which CBM, such as label fusion techniques, are used to solve a problem of collaborative learning. In this setting, CBM combine predictions from locally trained models to obtain a federated strong learner with ideally improved robustness and predictive variance properties. Our experiments show that, in the considered practical scenario, CBMs provide equal or better results than FL, while being highly cost-effective. Our results demonstrate that the consensus paradigm may represent a valid alternative to FL for typical training tasks in medical imaging.
• Abstract（参考訳）: 医療データは、しばしば複数の病院にまたがる中小規模のコレクションに分割され、プライバシー規制によってアクセスされる。 これは、機械学習とディープラーニングモデルの開発にそれらを使うのに困難をもたらします。 この制限を克服する1つの方法は、病院がローカルデータを明示的に共有することなく、共同で作業してタスクを解決できるコラボレーティブラーニング(CL)手法を使用することである。 本稿では,統合学習(FL)とコンセンサスベース手法(CBM)の2つの異なるアプローチを比較することで,MRIによる前立腺分節問題に対処する。 私たちの知る限りでは、これはラベル融合技術のようなcbmが協調学習の問題を解決するために使われる最初の仕事です。 この設定では、CBMは局所的に訓練されたモデルからの予測を組み合わせて、理想的に堅牢性と予測分散性を向上した連邦化された強学習者を得る。 実験の結果, 実用シナリオでは, cbm は fl と同等かそれ以上の結果をもたらすが, コスト効率は高い。 以上の結果から,コンセンサスパラダイムは医用画像の典型的な訓練タスクにおけるflの有効な代替案である可能性が示唆された。

関連論文リスト

• Medical Federated Model with Mixture of Personalized and Sharing Components [31.068735334318088]
  本稿では,その問題に対処するための新しい個人化学習フレームワークを提案する。 ローカルデータ間の類似性を認識したパーソナライズされたモデルが得られる。 また,計算効率を大幅に向上させる効率的な計算コスト削減手法を提案する。
  論文  参考訳（メタデータ） (2023-06-26T07:50:32Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• 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 Cross Learning for Medical Image Segmentation [23.075410916203005]
  フェデレーテッド・ラーニング(FL)は、様々な臨床応用のために、異なる病院が所有する隔離された患者データを用いて、ディープラーニングモデルを協調的に訓練することができる。 FLの大きな問題は、独立して分散されていないデータ(非ID)を扱う際のパフォーマンス劣化である。
  論文  参考訳（メタデータ） (2022-04-05T18:55:02Z)
• Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation [66.44449514373746]
  クロスサイロ・フェデレーション・ラーニング (FL) は近年, 深層学習による医用画像解析において注目されている。 FLでトレーニングされたモデルと、集中的なトレーニングでトレーニングされたモデルの間にはギャップがある。 本稿では,クライアントの問題を回避し,ドリフトギャップを解消するための新しいトレーニングフレームワークであるFedSMを提案する。
  論文  参考訳（メタデータ） (2022-03-18T19:50:07Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• 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)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Split Learning for collaborative deep learning in healthcare [12.128894212674917]
  ラベル付きデータの不足は、ヘルスケアの深層学習の急増を支えている。 我々は,この分散学習手法を医学分野で初めて適用し,分割学習アプローチを提唱する。
  論文  参考訳（メタデータ） (2019-12-27T14:39:58Z)

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。