Fugu-MT 論文翻訳(概要): Metadata-Driven Federated Learning of Connectional Brain Templates in Non-IID Multi-Domain Scenarios

論文の概要: Metadata-Driven Federated Learning of Connectional Brain Templates in Non-IID Multi-Domain Scenarios

arxiv url: http://arxiv.org/abs/2403.09139v1
Date: Thu, 14 Mar 2024 07:38:22 GMT
ステータス: 処理完了
システム内更新日: 2024-03-15 21:36:54.921282
Title: Metadata-Driven Federated Learning of Connectional Brain Templates in Non-IID Multi-Domain Scenarios
Title（参考訳）: 非IIDマルチドメインシナリオにおける連結脳テンプレートのメタデータ駆動フェデレーション学習
Authors: Geng Chen, Qingyue Wang, Islem Rekik,
Abstract要約: そこで我々はメタFedCBTと呼ばれるメタデータ駆動のフェデレーション学習フレームワークを提案する。本モデルは,ローカルクライアントベースの回帰器ネットワークを導入することで,メタデータを完全に教師付きで学習することを目的としている。我々の教師付きメタデータ生成アプローチは、特定の脳状態のより中心的で代表的で総合的なCBTの教師なし学習を促進する。
参考スコア（独自算出の注目度）: 8.482054595307966
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A connectional brain template (CBT) is a holistic representation of a population of multi-view brain connectivity graphs, encoding shared patterns and normalizing typical variations across individuals. The federation of CBT learning allows for an inclusive estimation of the representative center of multi-domain brain connectivity datasets in a fully data-preserving manner. However, existing methods overlook the non-independent and identically distributed (non-IDD) issue stemming from multidomain brain connectivity heterogeneity, in which data domains are drawn from different hospitals and imaging modalities. To overcome this limitation, we unprecedentedly propose a metadata-driven federated learning framework, called MetaFedCBT, for cross-domain CBT learning. Given the data drawn from a specific domain (i.e., hospital), our model aims to learn metadata in a fully supervised manner by introducing a local client-based regressor network. The generated meta-data is forced to meet the statistical attributes (e.g., mean) of other domains, while preserving their privacy. Our supervised meta-data generation approach boosts the unsupervised learning of a more centered, representative, and holistic CBT of a particular brain state across diverse domains. As the federated learning progresses over multiple rounds, the learned metadata and associated generated connectivities are continuously updated to better approximate the target domain information. MetaFedCBT overcomes the non-IID issue of existing methods by generating informative brain connectivities for privacy-preserving holistic CBT learning with guidance using metadata. Extensive experiments on multi-view morphological brain networks of normal and patient subjects demonstrate that our MetaFedCBT is a superior federated CBT learning model and significantly advances the state-of-the-art performance.
Abstract（参考訳）: コネクショナル脳テンプレート(コネクショナル脳テンプレート、英: connectional brain template、CBT)は、多視点脳接続グラフの集団の全体像であり、共有パターンを符号化し、個人間で典型的なバリエーションを正規化したものである。 CBT学習のフェデレーションは、完全にデータ保存された方法で、マルチドメイン脳接続データセットの代表中心を包括的に推定することを可能にする。しかし、既存の方法では、異なる病院からデータドメインが引き出され、画像モダリティが撮像されるマルチドメイン脳接続の不均一性から生じる非独立で同一の(非IDD)問題を見落としている。この制限を克服するために,メタFedCBTと呼ばれるメタデータ駆動型フェデレーション学習フレームワークを,ドメイン間CBT学習のために前代未聞の形で提案する。特定のドメイン(例えば病院)から引き出されたデータを考えると、当社のモデルは、ローカルクライアントベースの回帰器ネットワークを導入することで、完全に教師された方法でメタデータを学習することを目的としています。生成されたメタデータは、プライバシを保持しながら、他のドメインの統計属性(例えば、平均)を満たすように強制されます。我々の教師付きメタデータ生成アプローチは、様々な領域にまたがる特定の脳状態のより中心的で代表的で総合的なCBTの教師なし学習を促進する。連合学習が複数のラウンドで進行するにつれて、学習したメタデータと関連する生成された接続性は継続的に更新され、対象のドメイン情報をよりよく近似する。 MetaFedCBTは、プライバシー保護の総合的なCBT学習のための情報的脳結合性をメタデータを用いたガイダンスで生成することで、既存の手法の非IID問題を克服する。健常者および患者における多視点脳ネットワークに関する広範囲な実験により,我々のMetaFedCBTは優れたCBT学習モデルであり,最先端の性能を著しく向上させることが示された。

関連論文リスト

Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文参考訳（メタデータ） (2023-05-25T16:29:16Z)
Learning Personalized Brain Functional Connectivity of MDD Patients from Multiple Sites via Federated Bayesian Networks [9.873532358701803]
我々は,複数のベイズネットワークの同時学習のための連合型共同推定器NOTEARS-PFLを提案する。合成および実世界のマルチサイトRS-fMRIデータセットにおける提案手法の性能評価を行った。
論文参考訳（メタデータ） (2023-01-06T08:58:06Z)
Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文参考訳（メタデータ） (2022-06-20T23:49:38Z)
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)
Comparative Survey of Multigraph Integration Methods for Holistic Brain Connectivity Mapping [0.0]
我々は、単一視点脳ネットワークと多視点脳ネットワークの人口に対して、高度で代表的なCBTを推定するために設計された最先端の手法を概観する。ディープグラフ正規化器(DGN)法は,CBTを推定するための他のマルチグラフ積分法よりも大幅に優れていることを示す。
論文参考訳（メタデータ） (2022-04-05T13:34:34Z)
Evaluation and Analysis of Different Aggregation and Hyperparameter Selection Methods for Federated Brain Tumor Segmentation [2.294014185517203]
我々は分散学習手法であるフェデレート学習パラダイムに注目した。研究は、連合学習が従来の中央訓練と競争力を発揮することを示した。我々は、より高速な収束と優れた性能のための様々な戦略を探求し、強力な非IIDケースでも機能する。
論文参考訳（メタデータ） (2022-02-16T07:49:04Z)
Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文参考訳（メタデータ） (2022-01-07T07:46:01Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)
MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。