論文の概要: Federated Semi-supervised Learning for Medical Image Segmentation with intra-client and inter-client Consistency

• arxiv url: http://arxiv.org/abs/2403.12695v1
• Date: Tue, 19 Mar 2024 12:52:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 14:13:49.822755
• Title: Federated Semi-supervised Learning for Medical Image Segmentation with intra-client and inter-client Consistency
• Title（参考訳）: クライアント内およびクライアント間一貫性を考慮した医用画像分割のためのフェデレーション半教師付き学習
• Authors: Yubin Zheng, Peng Tang, Tianjie Ju, Weidong Qiu, Bo Yan,
• Abstract要約: フェデレートラーニングは、ローカルデータ交換なしで、分離されたクライアントの共有モデルをトレーニングすることを目的としている。 本研究では,医用画像セグメンテーションのための新しい半教師付き学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.16245019262119
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation plays a vital role in clinic disease diagnosis and medical image analysis. However, labeling medical images for segmentation task is tough due to the indispensable domain expertise of radiologists. Furthermore, considering the privacy and sensitivity of medical images, it is impractical to build a centralized segmentation dataset from different medical institutions. Federated learning aims to train a shared model of isolated clients without local data exchange which aligns well with the scarcity and privacy characteristics of medical data. To solve the problem of labeling hard, many advanced semi-supervised methods have been proposed in a centralized data setting. As for federated learning, how to conduct semi-supervised learning under this distributed scenario is worth investigating. In this work, we propose a novel federated semi-supervised learning framework for medical image segmentation. The intra-client and inter-client consistency learning are introduced to smooth predictions at the data level and avoid confirmation bias of local models. They are achieved with the assistance of a Variational Autoencoder (VAE) trained collaboratively by clients. The added VAE model plays three roles: 1) extracting latent low-dimensional features of all labeled and unlabeled data; 2) performing a novel type of data augmentation in calculating intra-client consistency loss; 3) utilizing the generative ability of itself to conduct inter-client consistency distillation. The proposed framework is compared with other federated semi-supervised or self-supervised learning methods. The experimental results illustrate that our method outperforms the state-of-the-art method while avoiding a lot of computation and communication overhead.
• Abstract（参考訳）: 医用画像のセグメンテーションは臨床疾患の診断と医用画像解析において重要な役割を担っている。 しかし, 放射線技師の専門知識が欠如しているため, セグメンテーション作業のための医用画像のラベル付けは困難である。 さらに、医療画像のプライバシーと感度を考慮すると、異なる医療機関から集中的なセグメンテーションデータセットを構築することは不可能である。 フェデレートラーニング(Federated Learning)は、医療データの不足とプライバシ特性に整合した、ローカルデータ交換のない、分離されたクライアントの共有モデルをトレーニングすることを目的とする。 ラベル付けの難しさを解決するため, 集中型データ環境において, 多くの高度な半教師付き手法が提案されている。 連合学習に関しては、この分散シナリオ下でセミ教師付き学習を行う方法を検討する価値がある。 本研究では,医用画像セグメンテーションのための新しい半教師付き学習フレームワークを提案する。 クライアント内およびクライアント間整合性学習は、データレベルでのスムーズな予測と、局所モデルの確認バイアスを回避するために導入される。 それらは、クライアントが共同でトレーニングした変分自動エンコーダ(VAE)の助けを借りて実現される。 追加のVAEモデルには3つの役割がある。 1) ラベル付及び未ラベル付データの潜在低次元特徴を抽出すること。 2 クライアント内整合性損失の計算において、新たな種類のデータ拡張を行う。 3) 相互整合蒸留を行うために, 自己生成能力を利用する。 提案手法は他のフェデレーション付き半教師付きあるいは自己教師付き学習手法と比較した。 実験結果から,本手法は大量の計算処理や通信オーバーヘッドを回避しつつ,最先端の手法よりも優れていることが示された。

関連論文リスト

• Rethinking Semi-Supervised Federated Learning: How to co-train fully-labeled and fully-unlabeled client imaging data [6.322831694506287]
  分離フェデレートラーニング(IsoFed)は、半教師付きフェデレートラーニング(SSFL)に特化して設計されたラーニングスキームである。 本稿では,教師付きモデルと半教師付きモデルの簡易な平均化を回避し,SSFLに特化して設計した新しい学習手法を提案する。 特に、我々のトレーニングアプローチは、(a)ラベル付きおよびラベルなしのクライアントモデルの独立したアグリゲーションと、(b)すべてのクライアントで独立したグローバルモデルのローカルな自己教師付き事前トレーニングという2つの部分で構成されています。
  論文  参考訳（メタデータ） (2023-10-28T20:41:41Z)
• A Client-server Deep Federated Learning for Cross-domain Surgical Image Segmentation [18.402074964118697]
  本稿では2次元画像分割のためのクロスドメイン適応問題の解法を提案する。 医用画像解析におけるディープラーニングアーキテクチャは、より良い一般化のために広範なトレーニングデータを必要とする。 クロスドメイン適応のためのクライアントサーバのディープフェデレーションアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-14T19:49:47Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Study of the performance and scalability of federated learning for medical imaging with intermittent clients [0.0]
  フェデレートラーニング(Federated Learning)は、マシンラーニングやディープラーニングをセキュアな方法で実行するために使用される、データ分散化プライバシ保護技術である。 オープンデータリポジトリから得られた胸部X線画像を用いて, 医用画像解析のユースケースを提案する。 異なるクライアントはトレーニングデータからシミュレートされ、不均衡な方法で選択される。 実際のシナリオでは、一部のクライアントがトレーニングを離れるかもしれないし、新しいクライアントがトレーニングに入るかもしれない。
  論文  参考訳（メタデータ） (2022-07-18T13:18:34Z)
• 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)
• Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
  フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。 本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。 本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:58:00Z)
• 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)
• Uncertainty-aware multi-view co-training for semi-supervised medical image segmentation and domain adaptation [35.33425093398756]
  ラベルのないデータは、注釈付きデータよりもはるかに簡単に取得できる。 医用画像セグメンテーションのための不確実性を考慮したマルチビュー協調トレーニングを提案する。 我々のフレームワークは、ラベルのないデータを効率的に活用してパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-06-28T22:04:54Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。