論文の概要: PRISM: Privacy-preserving Inter-Site MRI Harmonization via Disentangled Representation Learning

• arxiv url: http://arxiv.org/abs/2411.06513v1
• Date: Sun, 10 Nov 2024 16:29:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:08:04.982263
• Title: PRISM: Privacy-preserving Inter-Site MRI Harmonization via Disentangled Representation Learning
• Title（参考訳）: PRISM: アンタングル表現学習によるプライバシ保存型MRIハーモナイゼーション
• Authors: Sarang Galada, Tanurima Halder, Kunal Deo, Ram P Krish, Kshitij Jadhav,
• Abstract要約: PRISMは、複数の部位にまたがる構造脳MRIを調和させる新しいフレームワークである。 我々のフレームワークは、データプライバシ、分散シフト、モデルの一般化可能性、解釈可能性など、医療AI/MLにおける重要な課題に対処する。
• 参考スコア（独自算出の注目度）: 1.1650821883155187
• License:
• Abstract: Multi-site MRI studies often suffer from site-specific variations arising from differences in methodology, hardware, and acquisition protocols, thereby compromising accuracy and reliability in clinical AI/ML tasks. We present PRISM (Privacy-preserving Inter-Site MRI Harmonization), a novel Deep Learning framework for harmonizing structural brain MRI across multiple sites while preserving data privacy. PRISM employs a dual-branch autoencoder with contrastive learning and variational inference to disentangle anatomical features from style and site-specific variations, enabling unpaired image translation without traveling subjects or multiple MRI modalities. Our modular design allows harmonization to any target site and seamless integration of new sites without the need for retraining or fine-tuning. Using multi-site structural MRI data, we demonstrate PRISM's effectiveness in downstream tasks such as brain tissue segmentation and validate its harmonization performance through multiple experiments. Our framework addresses key challenges in medical AI/ML, including data privacy, distribution shifts, model generalizability and interpretability. Code is available at https://github.com/saranggalada/PRISM
• Abstract（参考訳）: マルチサイトMRI研究は、方法論、ハードウェア、取得プロトコルの違いに起因するサイト固有のバリエーションに悩まされることが多く、それによって、臨床AI/MLタスクの精度と信頼性が向上する。 PRISM(Privacy-preserving Inter-Site MRI Harmonization)は、データプライバシを保ちながら複数のサイトにわたって構造脳MRIを調和させる新しいDeep Learningフレームワークである。 PRISMは、対照的な学習と変分推論を兼ね備えたデュアルブランチオートエンコーダを用いて、解剖学的特徴をスタイルや部位固有のバリエーションから切り離す。 私たちのモジュール設計は、任意のターゲットサイトとの調和と、トレーニングや微調整を必要とせずに、新しいサイトのシームレスな統合を可能にします。 多地点構造MRIデータを用いて、脳組織セグメンテーションなどの下流作業におけるPRISMの有効性を実証し、複数の実験を通して調和性能を検証する。 我々のフレームワークは、データプライバシ、分散シフト、モデルの一般化可能性、解釈可能性など、医療AI/MLにおける重要な課題に対処する。 コードはhttps://github.com/saranggalada/PRISMで入手できる。

関連論文リスト

• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• Empowering Healthcare through Privacy-Preserving MRI Analysis [3.6394715554048234]
  本稿では,Ensemble-Based Federated Learning (EBFL)フレームワークを紹介する。 EBFLフレームワークは、機密性の高い患者データを共有することよりも、モデルの特徴を強調することによって、従来のアプローチから逸脱する。 グリオーマ,髄膜腫,下垂体,非腫瘍例などの脳腫瘍の分類において,有意な精度が得られた。
  論文  参考訳（メタデータ） (2024-03-14T19:51:18Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• 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)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Explainable unsupervised multi-modal image registration using deep networks [2.197364252030876]
  MRI画像登録は、異なるモダリティ、時間点、スライスから幾何学的に「ペア」診断することを目的としている。 本研究では,我々のDLモデルが完全に説明可能であることを示し,さらなる医用画像データへのアプローチを一般化するための枠組みを構築した。
  論文  参考訳（メタデータ） (2023-08-03T19:13:48Z)
• Learning Multitask Gaussian Bayesian Networks [11.745963019193955]
  大うつ病(Major depressive disorder、MDD)は、脳の機能的接続変化の研究を必要とする。 fMRIスキャンで収集されたデータの量は、個々の分析に十分な情報を与えるにはあまりにも限られている。 本稿では,MDD患者に対する個別の病原性変化を識別できるマルチタスク・ガウス・ベイズネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-11T08:38:00Z)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)
• 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。