論文の概要: PriCE: Privacy-Preserving and Cost-Effective Scheduling for Parallelizing the Large Medical Image Processing Workflow over Hybrid Clouds

• arxiv url: http://arxiv.org/abs/2405.15398v1
• Date: Fri, 24 May 2024 09:52:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 15:01:48.411984
• Title: PriCE: Privacy-Preserving and Cost-Effective Scheduling for Parallelizing the Large Medical Image Processing Workflow over Hybrid Clouds
• Title（参考訳）: PriCE: ハイブリッドクラウド上での大規模医療画像処理ワークフローの並列化のためのプライバシ保護とコスト効果スケジューリング
• Authors: Yuandou Wang, Neel Kanwal, Kjersti Engan, Chunming Rong, Paola Grosso, Zhiming Zhao,
• Abstract要約: 大きな医療画像のためのディープニューラルネットワークを実行することは、集中型コンピューティングにおけるリソース不足と時間を要するタスクである。 プライバシー上の懸念から、クラウド上で機密性の高い医療画像を処理することは依然として困難である。 この多目的最適化問題を解決するために,PriCEと呼ばれる新しいプライバシ保護・コスト効率手法を提案する。
• 参考スコア（独自算出の注目度）: 2.151643856834555
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Running deep neural networks for large medical images is a resource-hungry and time-consuming task with centralized computing. Outsourcing such medical image processing tasks to hybrid clouds has benefits, such as a significant reduction of execution time and monetary cost. However, due to privacy concerns, it is still challenging to process sensitive medical images over clouds, which would hinder their deployment in many real-world applications. To overcome this, we first formulate the overall optimization objectives of the privacy-preserving distributed system model, i.e., minimizing the amount of information about the private data learned by the adversaries throughout the process, reducing the maximum execution time and cost under the user budget constraint. We propose a novel privacy-preserving and cost-effective method called PriCE to solve this multi-objective optimization problem. We performed extensive simulation experiments for artifact detection tasks on medical images using an ensemble of five deep convolutional neural network inferences as the workflow task. Experimental results show that PriCE successfully splits a wide range of input gigapixel medical images with graph-coloring-based strategies, yielding desired output utility and lowering the privacy risk, makespan, and monetary cost under user's budget.
• Abstract（参考訳）: 大きな医療画像のためのディープニューラルネットワークを実行することは、集中型コンピューティングにおけるリソース不足と時間を要するタスクである。 このような医療画像処理タスクをハイブリッドクラウドにアウトソーシングすることは、実行時間の大幅な削減や金銭的コストといったメリットがある。 しかし、プライバシ上の懸念から、クラウド上で機密性の高い医療画像を処理することは依然として困難であり、多くの現実世界のアプリケーションへのデプロイメントを妨げている。 この問題を解決するために、我々はまずプライバシ保護分散システムモデルの全体的な最適化目標を定式化し、すなわち、プロセス全体を通して敵が学習したプライベートデータに関する情報量を最小化し、ユーザ予算制約の下での最大実行時間とコストを削減する。 この多目的最適化問題を解決するために,PriCEと呼ばれる新しいプライバシ保護・コスト効率の手法を提案する。 ワークフロータスクとして5つの深い畳み込みニューラルネットワークのアンサンブルを用いて,医用画像のアーティファクト検出タスクを広範囲にシミュレーションした。 実験結果から,PriCE は幅広い入力ギガピクセルの医療画像をグラフカラー化戦略で分割し,所望の出力ユーティリティを実現し,プライバシリスク,メースパン,金銭的コストを低減した。

関連論文リスト

• Generative Medical Image Anonymization Based on Latent Code Projection and Optimization [3.8397427914728426]
  医用画像の匿名化問題を,潜時コード投影と最適化という2段階の解決策で解決する。 プロジェクション段階では、入力画像を潜在空間に投影する合理化エンコーダを設計し、プロジェクションプロセスを強化するための協調学習方式を提案する。 最適化段階において、医用画像専用のデータユーティリティとアイデンティティ保護のトレードオフに対応するために設計された2つの深い損失関数を用いて潜時コードを洗練する。
  論文  参考訳（メタデータ） (2025-01-15T19:50:56Z)
• Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
  我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。 トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。 最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
  論文  参考訳（メタデータ） (2024-12-20T17:33:35Z)
• Private, Efficient and Scalable Kernel Learning for Medical Image Analysis [1.7999333451993955]
  OKRA(Orthonormal K-fRAmes)は、カーネルベースの機械学習のための新しいランダム化符号化ベースのアプローチである。 現在の最先端ソリューションと比較して、スケーラビリティとスピードが大幅に向上します。
  論文  参考訳（メタデータ） (2024-10-21T10:03:03Z)
• Discriminative Hamiltonian Variational Autoencoder for Accurate Tumor Segmentation in Data-Scarce Regimes [2.8498944632323755]
  医用画像分割のためのエンドツーエンドハイブリッドアーキテクチャを提案する。 ハミルトン変分オートエンコーダ(HVAE)と識別正則化を用いて生成画像の品質を向上する。 我々のアーキテクチャはスライス・バイ・スライス・ベースで3Dボリュームを分割し、リッチな拡張データセットをカプセル化する。
  論文  参考訳（メタデータ） (2024-06-17T15:42:08Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• LDMRes-Net: Enabling Efficient Medical Image Segmentation on IoT and Edge Platforms [9.626726110488386]
  本稿では,IoTおよびエッジプラットフォーム上での医用画像のセグメンテーションに適した,軽量なデュアルマルチスケール残差ブロック型ニューラルネットワークを提案する。 LDMRes-Netは、非常に少ない学習可能なパラメータ(0.072M)で制限を克服し、リソース制約のあるデバイスに非常に適している。
  論文  参考訳（メタデータ） (2023-06-09T10:34:18Z)
• TAN Without a Burn: Scaling Laws of DP-SGD [70.7364032297978]
  近年、ディープニューラルネットワーク(DNN)を訓練するための微分プライベートな手法が進歩している。 プライバシ分析とノイズのあるトレーニングの実験的振る舞いを分離し、最小限の計算要件でトレードオフを探索する。 我々は,提案手法をCIFAR-10とImageNetに適用し,特にImageNetの最先端性を,上位1点の精度で向上させる。
  論文  参考訳（メタデータ） (2022-10-07T08:44:35Z)
• CapillaryX: A Software Design Pattern for Analyzing Medical Images in Real-time using Deep Learning [0.688204255655161]
  本稿では,医療画像のリアルタイム解析をローカルかつ並列に行うことができる計算アーキテクチャを提案する。 我々は,微小循環画像中の血管の定量化という,特定の医学・工業ケーススタディに焦点を当てた。 その結果,本システムはシリアルシステムに比べて約78%高速であり,マスタスレーブ並列システムアーキテクチャよりも12%高速であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T18:47:04Z)
• Reinforcement Learning with Efficient Active Feature Acquisition [59.91808801541007]
  実生活では、情報取得は患者の医療検査に該当する可能性がある。 本稿では,アクティブな特徴獲得ポリシーを学習するモデルに基づく強化学習フレームワークを提案する。 この成功の鍵は、部分的に観察された状態から高品質な表現を学ぶ新しい逐次変分自動エンコーダである。
  論文  参考訳（メタデータ） (2020-11-02T08:46:27Z)
• Searching for Efficient Architecture for Instrument Segmentation in Robotic Surgery [58.63306322525082]
  ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。 我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-07-08T21:38:29Z)

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。