論文の概要: FedFMS: Exploring Federated Foundation Models for Medical Image
Segmentation
- arxiv url: http://arxiv.org/abs/2403.05408v1
- Date: Fri, 8 Mar 2024 16:06:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 13:04:25.007444
- Title: FedFMS: Exploring Federated Foundation Models for Medical Image
Segmentation
- Title(参考訳): fedfms: 医療画像セグメンテーションのためのフェデレーション基礎モデルの検討
- Authors: Yuxi Liu, Guibo Luo and Yuesheng Zhu
- Abstract要約: Anything Model (SAM) は視覚的セグメンテーションの強力な基盤モデルとして機能し、医用画像セグメンテーションに適応することができる。
医療画像データは通常、プライバシーに敏感な情報を含んでいるため、集中的なストレージと共有で基礎モデルを訓練することは困難である。
We developed Federated Foundation model for Medical image (FedFMS) which includes the Federated SAM (FedSAM) and a communication and training- efficient SAM with Medical SAM Adapter (FedMSA)。
- 参考スコア(独自算出の注目度): 18.40527196898396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation is crucial for clinical diagnosis. The
Segmentation Anything Model (SAM) serves as a powerful foundation model for
visual segmentation and can be adapted for medical image segmentation. However,
medical imaging data typically contain privacy-sensitive information, making it
challenging to train foundation models with centralized storage and sharing. To
date, there are few foundation models tailored for medical image deployment
within the federated learning framework, and the segmentation performance, as
well as the efficiency of communication and training, remain unexplored. In
response to these issues, we developed Federated Foundation models for Medical
image Segmentation (FedFMS), which includes the Federated SAM (FedSAM) and a
communication and training-efficient Federated SAM with Medical SAM Adapter
(FedMSA). Comprehensive experiments on diverse datasets are conducted to
investigate the performance disparities between centralized training and
federated learning across various configurations of FedFMS. The experiments
revealed that FedFMS could achieve performance comparable to models trained via
centralized training methods while maintaining privacy. Furthermore, FedMSA
demonstrated the potential to enhance communication and training efficiency.
Our model implementation codes are available at
https://github.com/LIU-YUXI/FedFMS.
- Abstract(参考訳): 臨床診断には医用画像分割が不可欠である。
Segmentation Anything Model (SAM) は視覚的セグメンテーションの強力な基盤モデルとして機能し、医用画像セグメンテーションに適応することができる。
しかし、医療画像データは一般的にプライバシーに敏感な情報を含んでいるため、集中ストレージと共有による基礎モデルのトレーニングは困難である。
これまでのところ、フェデレーション学習フレームワーク内の医療画像配置用に調整された基礎モデルはほとんど存在せず、セグメンテーションのパフォーマンスやコミュニケーションやトレーニングの効率は未調査のままである。
これらの問題に対応して,federated sam (fedsam) とmedical sam adapter (fedmsa) を組み込んだfederated foundation model for medical image segmentation (fedfms) を開発した。
多様なデータセットに関する総合的な実験を行い、FedFMSの様々な構成における集中学習とフェデレーション学習のパフォーマンス格差について検討した。
実験の結果、feedfmsはプライバシを維持しながら集中トレーニング方法でトレーニングされたモデルに匹敵するパフォーマンスを達成できることが判明した。
さらに、FedMSAはコミュニケーションと訓練効率を高める可能性を実証した。
私たちのモデル実装コードはhttps://github.com/liu-yuxi/fedfmsで利用可能です。
関連論文リスト
- Segment Any Medical Model Extended [39.80956010574076]
我々は,新しいSAMモデルを統合し,より高速な通信プロトコルを採用し,新しいインタラクティブモードに対応し,モデルのサブコンポーネントの微調整を可能にするプラットフォームであるSAMM Extended (SAMME)を紹介した。
これらの機能はSAMのような基礎モデルの可能性を拡大し、画像誘導療法、複合現実インタラクション、ロボットナビゲーション、データ拡張などのアプリケーションに変換することができる。
論文 参考訳(メタデータ) (2024-03-26T21:37:25Z) - nnSAM: Plug-and-play Segment Anything Model Improves nnUNet Performance [13.056321925093792]
本稿では SAM モデルと nnUNet モデルを統合し,より正確で堅牢な医用画像分割を実現する nnSAM を提案する。
nnSAMは、医療画像セグメンテーションの潜在的な新しいベンチマークとして、幅広い適用性と特殊な効率性を組み合わせたツールを提供している。
論文 参考訳(メタデータ) (2023-09-29T04:26:25Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - 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) - Towards Segment Anything Model (SAM) for Medical Image Segmentation: A
Survey [8.76496233192512]
本稿では,セグメンテーションモデルの成功を医療画像のセグメンテーションタスクに拡張する取り組みについて論じる。
医用画像解析の基礎モデルを開発するために、将来の研究を導くために多くの洞察が導かれる。
論文 参考訳(メタデータ) (2023-05-05T16:48:45Z) - Collaborative Training of Medical Artificial Intelligence Models with
non-uniform Labels [0.07176066267895696]
強力で堅牢なディープラーニングモデルを構築するには、大規模なマルチパーティデータセットによるトレーニングが必要だ。
このようなデータに対する協調学習のためのフレキシブル・フェデレーション・ラーニング(FFL)を提案する。
不均質なラベル付きデータセットを持つことで、FFLベースのトレーニングがパフォーマンスを著しく向上させることを示す。
論文 参考訳(メタデータ) (2022-11-24T13:48:54Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳(メタデータ) (2022-09-21T12:30:05Z) - 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) - Differentially private federated deep learning for multi-site medical
image segmentation [56.30543374146002]
フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。
近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。
しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
論文 参考訳(メタデータ) (2021-07-06T12:57:32Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z)
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。