論文の概要: Active Learning Guided Federated Online Adaptation: Applications in
Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2312.05407v1
- Date: Fri, 8 Dec 2023 23:43:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 20:55:52.753394
- Title: Active Learning Guided Federated Online Adaptation: Applications in
Medical Image Segmentation
- Title（参考訳）: アクティブラーニングガイド付きオンライン適応:医療画像セグメンテーションへの応用
- Authors: Md Shazid Islam, Sayak Nag, Arindam Dutta, Miraj Ahmed, Fahim Faisal
Niloy, Amit K.Roy-Chowdhury
- Abstract要約: 本稿では,医師のフィードバックをアクティブな学習を通じて取り入れた医療画像分割手法を提案する。
公開データセットを用いた実験の結果,提案手法は教師なしのオンライン適応法よりも優れていた。
- 参考スコア（独自算出の注目度）: 17.91288898488217
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Data privacy, storage, and distribution shifts are major bottlenecks in
medical image analysis. Data cannot be shared across patients, physicians, and
facilities due to privacy concerns, usually requiring each patient's data to be
analyzed in a discreet setting at a near real-time pace. However, one would
like to take advantage of the accumulated knowledge across healthcare
facilities as the computational systems analyze data of more and more patients
while incorporating feedback provided by physicians to improve accuracy.
Motivated by these, we propose a method for medical image segmentation that
adapts to each incoming data batch (online adaptation), incorporates physician
feedback through active learning, and assimilates knowledge across facilities
in a federated setup. Combining an online adaptation scheme at test time with
an efficient sampling strategy with budgeted annotation helps bridge the gap
between the source and the incoming stream of target domain data. A federated
setup allows collaborative aggregation of knowledge across distinct distributed
models without needing to share the data across different models. This
facilitates the improvement of performance over time by accumulating knowledge
across users. Towards achieving these goals, we propose a computationally
amicable, privacy-preserving image segmentation technique \textbf{DrFRODA} that
uses federated learning to adapt the model in an online manner with feedback
from doctors in the loop. Our experiments on publicly available datasets show
that the proposed distributed active learning-based online adaptation method
outperforms unsupervised online adaptation methods and shows competitive
results with offline active learning-based adaptation methods.
- Abstract（参考訳）: データプライバシ、ストレージ、分散シフトは、医療画像解析の主要なボトルネックである。
プライバシ上の懸念から、データは患者、医師、施設間で共有することはできない。
しかし, 医療施設にまたがる知識の蓄積を生かして, 医師のフィードバックを取り入れつつ, ますます多くの患者のデータを分析し, 正確性の向上を図りたい。
そこで本研究では,各入力データバッチ(オンライン適応)に適応し,アクティブラーニングによる医師のフィードバックを取り入れ,施設間での知識の同一化を行う医用画像分割手法を提案する。
テスト時のオンライン適応スキームと効率的なサンプリング戦略と予算付きアノテーションを組み合わせることで、ターゲットドメインデータのソースと受信ストリームのギャップを埋めることができる。
フェデレーション設定は、異なるモデル間でデータを共有することなく、異なる分散モデル間の知識の協調的な集約を可能にする。
これにより、ユーザ間で知識を蓄積することで、時間とともにパフォーマンスの向上が促進される。
これらの目標を達成するために,フェデレーション学習を用いてオンラインにモデルを適用し,医師からのフィードバックをループに反映する,計算能力の高いプライバシー保全型イメージセグメンテーション手法である \textbf{drfroda} を提案する。
公開データセットを用いた実験では,提案手法が教師なしオンライン適応法を上回っており,オフラインアクティブラーニングに基づく適応法と競合する結果を示す。
関連論文リスト
- Unsupervised domain adaptation by learning using privileged information [6.748420131629902]
補助変数による側情報への訓練時間アクセスは,入力変数の制約緩和に有効であることを示す。
本稿では,対象領域における予測誤差の分析から着想を得た単純な2段階学習アルゴリズムと,画像分類のための実用的エンドツーエンド変種を提案する。
論文 参考訳（メタデータ） (2023-03-16T14:31:50Z) - Self-Supervised Pretraining for 2D Medical Image Segmentation [0.0]
自己教師付き学習は、不正なデータに対して特定のドメインのモデルを事前訓練することで、手動でアノテートされたデータの必要性を下げる手段を提供する。
自然画像と対象領域固有の画像による自己教師付き事前学習は、最も速く、最も安定した下流収束をもたらす。
低データシナリオでは、教師付きImageNet事前トレーニングが最も正確であり、最小限のエラーに近づくためには100以上の注釈付きサンプルが必要である。
論文 参考訳（メタデータ） (2022-09-01T09:25:22Z) - Domain-invariant Prototypes for Semantic Segmentation [30.932130453313537]
ドメイン適応型セマンティックセグメンテーションのためのドメイン不変のプロトタイプを学習する。
本手法は,1段階の訓練のみを伴い,大規模な未注釈対象画像に対してトレーニングを行う必要はない。
論文 参考訳（メタデータ） (2022-08-12T02:21:05Z) - DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation [78.30720731968135]
セマンティックセグメンテーションにおける教師なしドメイン適応は、高価なピクセル単位のアノテーションへの依存を軽減するために提起されている。
我々は、ソースドメインのオーバーフィットを軽減し、最終的なモデルをセグメント化タスクに集中できるようにするDecoupleNetを提案する。
我々はまた、自己識別(SD)を推進し、擬似ラベルでより識別可能なターゲットドメイン特徴を学習するための補助分類器を導入した。
論文 参考訳（メタデータ） (2022-07-20T15:47:34Z) - HYLDA: End-to-end Hybrid Learning Domain Adaptation for LiDAR Semantic
Segmentation [13.87939140266266]
完全ラベル付きソースデータセットと少数のラベルしか持たないターゲットデータセットを用いて,LiDARセマンティックセマンティックセマンティクスネットワークをトレーニングする問題に対処する。
我々は、新しい画像から画像への変換エンジンを開発し、それをLiDARセマンティックセマンティックセグメンテーションネットワークと組み合わせることで、HYLDAと呼ばれる統合ドメイン適応アーキテクチャを実現する。
論文 参考訳（メタデータ） (2022-01-14T18:13:09Z) - Towards Fewer Annotations: Active Learning via Region Impurity and
Prediction Uncertainty for Domain Adaptive Semantic Segmentation [19.55572909866489]
ドメインシフトに基づく意味的セグメンテーションのための領域ベースアクティブラーニング手法を提案する。
領域不純物・予測不確かさ(AL-RIPU)を用いた能動学習では,画像領域の空間的隣接性を特徴付ける新たな獲得戦略が導入された。
我々の手法は、教師付きパフォーマンスにほぼ到達するためにはほとんどアノテーションを必要とせず、最先端の手法よりも大幅に優れています。
論文 参考訳（メタデータ） (2021-11-25T06:40:58Z) - WEDGE: Web-Image Assisted Domain Generalization for Semantic
Segmentation [72.88657378658549]
本稿では,Web画像の多様性を一般化可能なセマンティックセグメンテーションに活用したWEb画像支援ドメインゲネラライゼーション手法を提案する。
また,ウェブクローラー画像のスタイルをトレーニング中のトレーニング画像に注入する手法を提案する。
論文 参考訳（メタデータ） (2021-09-29T05:19:58Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手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） (2021-08-28T09:29:14Z) - Phase Consistent Ecological Domain Adaptation [76.75730500201536]
意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。
視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。
第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
論文 参考訳（メタデータ） (2020-04-10T06:58:03Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:25:13Z) - Understanding Self-Training for Gradual Domain Adaptation [107.37869221297687]
段階的なドメイン適応は、対象領域へ徐々にシフトするラベルのないデータのみを与えられたソースドメインで訓練された初期分類器を適応させることが目的である。
目標領域への直接適応が非有界誤差をもたらすような設定下において、段階的なシフトを伴う自己学習の誤差に対する最初の非無空上界を証明した。
この理論解析はアルゴリズムの洞察を導き、無限のデータを持つ場合でも正規化とラベルのシャープ化が不可欠であることを強調し、より小さなワッサーシュタイン無限距離のシフトに対して自己学習が特にうまく働くことを示唆している。
論文 参考訳（メタデータ） (2020-02-26T08:59:40Z)
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。