論文の概要: Whole-brain radiomics for clustered federated personalization in brain tumor segmentation

• arxiv url: http://arxiv.org/abs/2310.11480v1
• Date: Tue, 17 Oct 2023 12:33:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-19 18:59:53.587492
• Title: Whole-brain radiomics for clustered federated personalization in brain tumor segmentation
• Title（参考訳）: 全脳x線撮影による脳腫瘍分節におけるフェデレート・パーソナライズ
• Authors: Matthis Manthe (MYRIAD, LIRIS), Stefan Duffner (LIRIS), Carole Lartizien (MYRIAD)
• Abstract要約: 本稿では,異なるスキャナの使用によって生じる特徴変化に合わせて,新しいパーソナライズアルゴリズムを提案する。 これは、各3次元画像ボリュームのグローバルなテクスチャをキャプチャする一連の放射能特徴の計算に基づいている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning and its application to medical image segmentation have recently become a popular research topic. This training paradigm suffers from statistical heterogeneity between participating institutions' local datasets, incurring convergence slowdown as well as potential accuracy loss compared to classical training. To mitigate this effect, federated personalization emerged as the federated optimization of one model per institution. We propose a novel personalization algorithm tailored to the feature shift induced by the usage of different scanners and acquisition parameters by different institutions. This method is the first to account for both inter and intra-institution feature shift (multiple scanners used in a single institution). It is based on the computation, within each centre, of a series of radiomic features capturing the global texture of each 3D image volume, followed by a clustering analysis pooling all feature vectors transferred from the local institutions to the central server. Each computed clustered decentralized dataset (potentially including data from different institutions) then serves to finetune a global model obtained through classical federated learning. We validate our approach on the Federated Brain Tumor Segmentation 2022 Challenge dataset (FeTS2022). Our code is available at (https://github.com/MatthisManthe/radiomics_CFFL).
• Abstract（参考訳）: フェデレート学習とその医用画像分割への応用は,近年,一般的な研究テーマとなっている。 このトレーニングパラダイムは、参加する機関のローカルデータセット間の統計的不均一性に苦しめられ、収束の鈍化や、古典的なトレーニングに比べて精度の低下が伴う。 この効果を緩和するため、機関ごとの1つのモデルのフェデレート最適化として、フェデレートされたパーソナライゼーションが出現した。 本稿では,異なるスキャナの使用や,異なる機関による取得パラメータの使用によって生じる特徴変化に合わせた,新たなパーソナライズアルゴリズムを提案する。 本手法は, 施設間および施設内特徴シフト(単一施設で使用される複数のスキャナー)を初めて考慮した手法である。 これは、各3次元画像ボリュームのグローバルなテクスチャを捉えた一連の放射能特徴の計算に基づいており、続いて、局所的な施設から中央サーバーに転送される全ての特徴ベクトルをプールするクラスタリング解析を行う。 各計算されたクラスタ化された分散データセット(潜在的には異なる機関のデータを含む)は、古典的な連邦学習を通じて得られたグローバルモデルを微調整する。 我々は,federated brain tumor segmentation 2022 challenge dataset (fets2022) のアプローチを検証する。 私たちのコードは(https://github.com/matthismanthe/radiomics_cffl)。

関連論文リスト

• Federated brain tumor segmentation: an extensive benchmark [2.515027627030043]
  本稿では,この課題における3つのクラスすべてからのフェデレーション学習アルゴリズムの広範なベンチマークを提案する。 各カテゴリのいくつかの手法は、若干の性能改善をもたらし、フェデレーションの圧倒的なデータ分布に対する最終モデル(s)バイアスを制限する可能性があることを示す。
  論文  参考訳（メタデータ） (2024-10-07T09:32:19Z)
• Ensemble Federated Learning: an approach for collaborative pneumonia diagnosis [7.901279301392376]
  スマートヘルスケアシステムでは、データの交換はプライバシー上の懸念を意味し、迅速な反応が必要である。 本稿では,プライバシ保護が鍵となる第1のシナリオについて論じる。その結果,一意かつ大規模な医用画像データセットの構築は選択肢ではない。 本稿では,以下の特徴に基づくアンサンブル・フェデレーション・ラーニング(EFL)手法を提案する。
  論文  参考訳（メタデータ） (2023-12-12T16:53:18Z)
• 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)
• Preserving Specificity in Federated Graph Learning for fMRI-based Neurological Disorder Identification [31.668499876984487]
  rs-fMRI解析と自動脳障害識別のための特異性を考慮したグラフ学習フレームワークを提案する。 各クライアントにおいて、我々のモデルは共有ブランチとパーソナライズされたブランチで構成されており、そこでは共有ブランチのパラメータがサーバに送信され、パーソナライズされたブランチのパラメータはローカルのままです。 被験者1,218人の2つのfMRIデータセットの実験結果から、SFGLは最先端のアプローチよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-08-20T15:55:45Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for Federated Learning on Non-IID Data [69.0785021613868]
  フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。 本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。 これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
  論文  参考訳（メタデータ） (2022-05-19T03:32:03Z)
• 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)
• A Federated Learning Aggregation Algorithm for Pervasive Computing: Evaluation and Comparison [0.6299766708197883]
  広範コンピューティングは、サービス提供のために、リビングスペースに接続デバイスをインストールすることを促進する。 エッジリソースの高度な利用と、エンジニアリングアプリケーションのための機械学習技術の統合だ。 本稿では,FedDistと呼ばれる新しいアグリゲーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-10-19T19:43:28Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Multi-Center Federated Learning [62.57229809407692]
  本稿では,フェデレート学習のための新しい多中心集約機構を提案する。 非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。 ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-03T09:14:31Z)
• Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and Domain Adaptation: ABIDE Results [13.615292855384729]
  高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。 患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。 フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
  論文  参考訳（メタデータ） (2020-01-16T04:49:33Z)

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。