論文の概要: FedSODA: Federated Cross-assessment and Dynamic Aggregation for Histopathology Segmentation

• arxiv url: http://arxiv.org/abs/2312.12824v1
• Date: Wed, 20 Dec 2023 07:58:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 16:26:14.262474
• Title: FedSODA: Federated Cross-assessment and Dynamic Aggregation for Histopathology Segmentation
• Title（参考訳）: FedSODA: 病理組織分離のためのクロスアセスメントと動的アグリゲーション
• Authors: Yuan Zhang, Yaolei Qi, Xiaoming Qi, Lotfi Senhadji, Yongyue Wei, Feng Chen, Guanyu Yang
• Abstract要約: 病理組織像分割のためのフェデレートラーニング(FL)には、複数の医療施設が含まれる。 組織核・組織セグメント化のための新しいFLアプローチとして, 合成駆動型クロスアセスメント操作(SO)と動的層状層凝集(DA)を併用したFedSODAを提案する。 FedSODAの有効性は、7つの独立したデータセットから得られた最も広範な病理組織像セグメンテーションデータセットで評価されている。
• 参考スコア（独自算出の注目度）: 11.349909244352878
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Federated learning (FL) for histopathology image segmentation involving multiple medical sites plays a crucial role in advancing the field of accurate disease diagnosis and treatment. However, it is still a task of great challenges due to the sample imbalance across clients and large data heterogeneity from disparate organs, variable segmentation tasks, and diverse distribution. Thus, we propose a novel FL approach for histopathology nuclei and tissue segmentation, FedSODA, via synthetic-driven cross-assessment operation (SO) and dynamic stratified-layer aggregation (DA). Our SO constructs a cross-assessment strategy to connect clients and mitigate the representation bias under sample imbalance. Our DA utilizes layer-wise interaction and dynamic aggregation to diminish heterogeneity and enhance generalization. The effectiveness of our FedSODA has been evaluated on the most extensive histopathology image segmentation dataset from 7 independent datasets. The code is available at https://github.com/yuanzhang7/FedSODA.
• Abstract（参考訳）: 複数の医療施設を含む病理組織像分割のためのフェデレートラーニング(FL)は、正確な疾患診断と治療の分野で重要な役割を担っている。 しかしながら、クライアント間のサンプルの不均衡や、異種臓器からの大規模なデータの不均一性、可変分割タスク、多様な分散など、依然として大きな課題となっている。 そこで本研究では, 組織核・組織セグメント化のための新しいFLアプローチとして, 合成駆動型クロスアセスメント操作(SO)と動的層状層凝集(DA)を用いたFedSODAを提案する。 soはクライアントを接続し,サンプル不均衡下での表現バイアスを軽減するクロスアセスメント戦略を構築している。 daは層間相互作用と動的アグリゲーションを利用して不均一性を減少させ,一般化を促進する。 FedSODAの有効性は、7つの独立したデータセットから得られた最も広範な病理組織像セグメンテーションデータセットで評価されている。 コードはhttps://github.com/yuanzhang7/FedSODAで入手できる。

関連論文リスト

• UNICORN: A Deep Learning Model for Integrating Multi-Stain Data in Histopathology [2.9389205138207277]
  UNICORNは動脈硬化の重症度予測のための多段階組織学を処理できるマルチモーダルトランスフォーマーである。 このアーキテクチャは、2段階のエンドツーエンドのトレーニング可能なモデルと、トランスフォーマーの自己保持ブロックを利用する特殊なモジュールから構成される。 UNICORNは0.67の分類精度を達成し、他の最先端モデルを上回った。
  論文  参考訳（メタデータ） (2024-09-26T12:13:52Z)
• Advancing UWF-SLO Vessel Segmentation with Source-Free Active Domain Adaptation and a Novel Multi-Center Dataset [11.494899967255142]
  UWF-SLO画像における正確な血管セグメンテーションは網膜疾患の診断に不可欠である。 高い解像度のUWF-SLO画像を手動でラベル付けすることは、非常に難しく、時間がかかり、高価な作業である。 本研究では、パッチベースのアクティブドメイン適応アプローチを活用する先駆的なフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-06-19T15:49:06Z)
• Synthetic Data for Robust Stroke Segmentation [0.0]
  ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。 本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。 我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
  論文  参考訳（メタデータ） (2024-04-02T13:42:29Z)
• Unsupervised Domain Adaptation for Brain Vessel Segmentation through Transwarp Contrastive Learning [46.248404274124546]
  教師なし領域適応(Unsupervised domain adapt, UDA)は、ラベル付きソース分布とラベル付きターゲット分布との整合を目的とし、ドメイン不変な予測モデルを得る。 本稿では,ラベル付きソースと非ラベル付きターゲット分布の領域間ギャップを狭めるための,UDAのための簡易かつ強力なコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-23T10:01:22Z)
• PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation [36.136619420474766]
  本稿では,専門家アノテーションの変動を正確に捉えるバイオメディカルイメージセグメンテーションのためのPULASkiを提案する。 提案手法では,条件付き変分オートエンコーダ構造における統計的距離に基づいて,損失関数を改良した。 また,本手法は多ラベルセグメンテーションタスクにも適用可能であり,血行動態モデリングなどの下流タスクにも有用である。
  論文  参考訳（メタデータ） (2023-12-25T10:31:22Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)

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。