論文の概要: FedDP: Privacy-preserving method based on federated learning for histopathology image segmentation

• arxiv url: http://arxiv.org/abs/2411.04509v1
• Date: Thu, 07 Nov 2024 08:02:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:40:02.147306
• Title: FedDP: Privacy-preserving method based on federated learning for histopathology image segmentation
• Title（参考訳）: FedDP: 組織像分割のためのフェデレーション学習に基づくプライバシ保護手法
• Authors: Liangrui Pan, Mao Huang, Lian Wang, Pinle Qin, Shaoliang Peng,
• Abstract要約: 本稿では,医用画像データの分散特性とプライバシ感受性について,フェデレート学習フレームワークを用いて検討する。 提案手法であるFedDPは,がん画像データのプライバシーを効果的に保護しつつ,モデルの精度に最小限の影響を与える。
• 参考スコア（独自算出の注目度）: 2.864354559973703
• License:
• Abstract: Hematoxylin and Eosin (H&E) staining of whole slide images (WSIs) is considered the gold standard for pathologists and medical practitioners for tumor diagnosis, surgical planning, and post-operative assessment. With the rapid advancement of deep learning technologies, the development of numerous models based on convolutional neural networks and transformer-based models has been applied to the precise segmentation of WSIs. However, due to privacy regulations and the need to protect patient confidentiality, centralized storage and processing of image data are impractical. Training a centralized model directly is challenging to implement in medical settings due to these privacy concerns.This paper addresses the dispersed nature and privacy sensitivity of medical image data by employing a federated learning framework, allowing medical institutions to collaboratively learn while protecting patient privacy. Additionally, to address the issue of original data reconstruction through gradient inversion during the federated learning training process, differential privacy introduces noise into the model updates, preventing attackers from inferring the contributions of individual samples, thereby protecting the privacy of the training data.Experimental results show that the proposed method, FedDP, minimally impacts model accuracy while effectively safeguarding the privacy of cancer pathology image data, with only a slight decrease in Dice, Jaccard, and Acc indices by 0.55%, 0.63%, and 0.42%, respectively. This approach facilitates cross-institutional collaboration and knowledge sharing while protecting sensitive data privacy, providing a viable solution for further research and application in the medical field.
• Abstract（参考訳）: 全スライド画像(WSI)のヘマトキシリンとエオシン(H&E)染色は,腫瘍診断,手術計画,術後評価において,病理医や医療従事者にとって金の基準であると考えられている。 ディープラーニング技術の急速な進歩により、WSIの正確なセグメンテーションに畳み込みニューラルネットワークとトランスフォーマーベースモデルに基づく多数のモデルの開発が適用された。 しかし,プライバシ規則や患者の機密性保護の必要性から,画像データの集中保存や処理は現実的ではない。 本論文は, 医療機関が患者のプライバシーを保護しながら協調的に学習できるようにするための, 統合学習フレームワークを用いて, 医療画像データの分散した性質とプライバシ感受性を論じるものである。 さらに,フェデレート学習訓練過程における勾配反転によるオリジナルデータ再構成の問題に対処するため,差分プライバシはモデル更新にノイズを導入し,攻撃者が個々のサンプルの寄与を推測するのを防止し,トレーニングデータのプライバシを保護する。実験の結果,提案手法であるFedDPは,癌画像データのプライバシを効果的に保護しつつ,それぞれ0.55%,0.63%,0.42%のAccインデックスをわずかに減少させた。 このアプローチは、機密データプライバシを保護しながら、組織間のコラボレーションと知識共有を促進し、医療分野におけるさらなる研究と応用のための実行可能なソリューションを提供する。

関連論文リスト

• Improving the Classification Effect of Clinical Images of Diseases for Multi-Source Privacy Protection [0.0]
  医療分野におけるプライバシーデータ保護は、データ共有に課題をもたらす。 従来の集中型トレーニング手法は、プライバシー保護原則に違反しているため、適用が難しい。 データベクトルに基づく医療プライバシデータトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-23T12:52:24Z)
• Privacy Preserving Federated Learning in Medical Imaging with Uncertainty Estimation [15.63535423357971]
  機械学習(ML)と人工知能(AI)は、特に医療において顕著な進歩を加速している。医療画像では、MLモデルは、疾患の診断、治療計画、治療後のモニタリングを改善するという約束を持っている。 患者のデータを取り巻くプライバシーに関する懸念は、正確で堅牢で一般化可能なモデルの開発とトレーニングに必要な大規模なトレーニングデータセットの組み立てを妨げる。 フェデレートラーニング(FL)は魅力的なソリューションとして登場し、データ(医療画像など)ではなくモデルトレーニング情報(段階的)を共有することで、組織がMLモデルのトレーニングに協力できるようにする。
  論文  参考訳（メタデータ） (2024-06-18T17:35:52Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Differential Privacy for Adaptive Weight Aggregation in Federated Tumor Segmentation [0.16746114653388383]
  Federated Learning(FL)は、個々のクライアントデータのプライバシを尊重しながら、公平なグローバルモデルを作成することによって、プライバシを保護する分散機械学習アプローチである。 医用画像セグメンテーションにおける差分プライバシー(DP)統合ディープラーニングフレームワークを提案する。 我々は, 類似度重み付け法(SimAgg)を, 脳腫瘍セグメント化のための差分プライベート類似度重み付けアルゴリズムDP-SimAggアルゴリズムに拡張する。
  論文  参考訳（メタデータ） (2023-08-01T21:59:22Z)
• Vision Through the Veil: Differential Privacy in Federated Learning for Medical Image Classification [15.382184404673389]
  医療におけるディープラーニングアプリケーションの普及は、さまざまな機関にデータ収集を求める。 プライバシー保護メカニズムは、データが自然に敏感である医療画像解析において最重要である。 本研究は,プライバシ保護技術である差分プライバシを,医用画像分類のための統合学習フレームワークに統合することの必要性に対処する。
  論文  参考訳（メタデータ） (2023-06-30T16:48:58Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• 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)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)

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。