論文の概要: Cloud-based Federated Learning Framework for MRI Segmentation
- arxiv url: http://arxiv.org/abs/2403.00254v1
- Date: Fri, 1 Mar 2024 03:39:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 18:27:14.566983
- Title: Cloud-based Federated Learning Framework for MRI Segmentation
- Title（参考訳）: mriセグメンテーションのためのクラウドベースの連合学習フレームワーク
- Authors: Rukesh Prajapati and Amr S. El-Wakeel
- Abstract要約: 本稿では,農村医療施設における脳組織セグメンテーションに適した新しい枠組みを提案する。
このフレームワークは、田園部医療施設にローカルに展開する改良モデル(RM)と密接な強化学習環境を採用している。
我々は,限られたデータセットでネットワークをトレーニングし,大幅な性能向上を観察することで,本手法の有効性を実証する。
- 参考スコア（独自算出の注目度）: 0.10878040851637999
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In contemporary rural healthcare settings, the principal challenge in
diagnosing brain images is the scarcity of available data, given that most of
the existing deep learning models demand extensive training data to optimize
their performance, necessitating centralized processing methods that
potentially compromise data privacy. This paper proposes a novel framework
tailored for brain tissue segmentation in rural healthcare facilities. The
framework employs a deep reinforcement learning (DRL) environment in tandem
with a refinement model (RM) deployed locally at rural healthcare sites. The
proposed DRL model has a reduced parameter count and practicality for
implementation across distributed rural sites. To uphold data privacy and
enhance model generalization without transgressing privacy constraints, we
employ federated learning (FL) for cooperative model training. We demonstrate
the efficacy of our approach by training the network with a limited data set
and observing a substantial performance enhancement, mitigating inaccuracies
and irregularities in segmentation across diverse sites. Remarkably, the DRL
model attains an accuracy of up to 80%, surpassing the capabilities of
conventional convolutional neural networks when confronted with data
insufficiency. Incorporating our RM results in an additional accuracy
improvement of at least 10%, while FL contributes to a further accuracy
enhancement of up to 5%. Collectively, the framework achieves an average 92%
accuracy rate within rural healthcare settings characterized by data
constraints.
- Abstract（参考訳）: 現代の田舎の医療環境では、脳画像の診断における主な課題は、利用可能なデータの不足である。既存のディープラーニングモデルの多くは、パフォーマンスを最適化するために広範囲なトレーニングデータを必要としており、データのプライバシーを侵害する可能性のある集中処理方法を必要としているからだ。
本稿では,農村医療施設における脳組織分割のための新しい枠組みを提案する。
このフレームワークは深層強化学習(drl)環境を採用しており、農村医療現場にローカルに展開するリファインメントモデル(rm)が組み込まれている。
提案するdrlモデルは,分布する農村部におけるパラメータ数と実用性を低減した。
データプライバシを保ち、プライバシー制約を超越することなくモデル一般化を強化するために、協調モデルトレーニングにフェデレートラーニング(FL)を採用する。
提案手法は,限られたデータセットでネットワークを訓練し,実質的な性能向上を観測し,多様なサイト間でのセグメンテーションの不正確性と不規則さを軽減し,その効果を実証する。
注目すべきは、DRLモデルが最大80%の精度に達し、データ不足に直面した場合の従来の畳み込みニューラルネットワークの能力を上回ることだ。
RMを組み込むと、少なくとも10%の精度向上が得られ、FLは最大5%の精度向上に寄与する。
このフレームワークは、データ制約を特徴とする農村医療における平均92%の精度を達成する。
関連論文リスト
- Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection [11.980634373191542]
分散トレーニングは、大規模な医用画像データセットの処理を容易にし、疾患診断の精度と効率を向上させる。
本稿では,データプライバシと効率的な疾患診断という2つの課題に対処するために,Federated Learning(FL)を活用した医用画像分類の革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-15T09:07:19Z) - Adaptive Affinity-Based Generalization For MRI Imaging Segmentation Across Resource-Limited Settings [1.5703963908242198]
本稿では,適応親和性に基づく蒸留とカーネルベースの蒸留をシームレスに組み合わせた,新しい関係に基づく知識フレームワークを提案する。
革新的アプローチを検証するために,我々は公開されている複数ソースのMRIデータについて実験を行った。
論文 参考訳（メタデータ） (2024-04-03T13:35:51Z) - Empowering Healthcare through Privacy-Preserving MRI Analysis [3.6394715554048234]
本稿では,Ensemble-Based Federated Learning (EBFL)フレームワークを紹介する。
EBFLフレームワークは、機密性の高い患者データを共有することよりも、モデルの特徴を強調することによって、従来のアプローチから逸脱する。
グリオーマ,髄膜腫,下垂体,非腫瘍例などの脳腫瘍の分類において,有意な精度が得られた。
論文 参考訳（メタデータ） (2024-03-14T19:51:18Z) - 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) - Learning Federated Visual Prompt in Null Space for MRI Reconstruction [83.71117888610547]
我々はMRI再建のためのグローバルプロンプトのヌル空間におけるフェデレートされた視覚的プロンプトを学習するための新しいアルゴリズムであるFedPRを提案する。
FedPRは、ローカルトレーニングデータの限られた量を与えられた場合、通信コストの6%で最先端のFLアルゴリズムを著しく上回っている。
論文 参考訳（メタデータ） (2023-03-28T17:46:16Z) - 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) - Label-Efficient Self-Supervised Federated Learning for Tackling Data
Heterogeneity in Medical Imaging [23.08596805950814]
医用画像解析のための頑健でラベル効率の良い自己教師型FLフレームワークを提案する。
具体的には,既存のFLパイプラインに分散自己教師型事前学習パラダイムを導入する。
自己教師付きFLアルゴリズムは,分布外データに対してよく一般化し,限定ラベルのシナリオにおいてより効果的にフェデレーションモデルを学習することを示す。
論文 参考訳（メタデータ） (2022-05-17T18:33:43Z) - Auto-FedRL: Federated Hyperparameter Optimization for
Multi-institutional Medical Image Segmentation [48.821062916381685]
Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。
本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。
提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
論文 参考訳（メタデータ） (2022-03-12T04:11:42Z) - Acceleration of Federated Learning with Alleviated Forgetting in Local
Training [61.231021417674235]
フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。
我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。
我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
論文 参考訳（メタデータ） (2022-03-05T02:31:32Z) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2021-02-09T11:27:14Z) - 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。