論文の概要: Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2411.16380v1
- Date: Mon, 25 Nov 2024 13:40:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-26 14:22:36.913132
- Title: Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence
- Title（参考訳）: 一般超音波人工知能のためのプライバシ保護フェデレーションモデル
- Authors: Yuncheng Jiang, Chun-Mei Feng, Jinke Ren, Jun Wei, Zixun Zhang, Yiwen Hu, Yunbi Liu, Rui Sun, Xuemei Tang, Juan Du, Xiang Wan, Yong Xu, Bo Du, Xin Gao, Guangyu Wang, Shaohua Zhou, Shuguang Cui, Rick Siow Mong Goh, Yong Liu, Zhen Li,
- Abstract要約: プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。
UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。
疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
- 参考スコア（独自算出の注目度）: 83.02106623401885
- License:
- Abstract: Ultrasound imaging is widely used in clinical diagnosis due to its non-invasive nature and real-time capabilities. However, conventional ultrasound diagnostics face several limitations, including high dependence on physician expertise and suboptimal image quality, which complicates interpretation and increases the likelihood of diagnostic errors. Artificial intelligence (AI) has emerged as a promising solution to enhance clinical diagnosis, particularly in detecting abnormalities across various biomedical imaging modalities. Nonetheless, current AI models for ultrasound imaging face critical challenges. First, these models often require large volumes of labeled medical data, raising concerns over patient privacy breaches. Second, most existing models are task-specific, which restricts their broader clinical utility. To overcome these challenges, we present UltraFedFM, an innovative privacy-preserving ultrasound foundation model. UltraFedFM is collaboratively pre-trained using federated learning across 16 distributed medical institutions in 9 countries, leveraging a dataset of over 1 million ultrasound images covering 19 organs and 10 ultrasound modalities. This extensive and diverse data, combined with a secure training framework, enables UltraFedFM to exhibit strong generalization and diagnostic capabilities. It achieves an average area under the receiver operating characteristic curve of 0.927 for disease diagnosis and a dice similarity coefficient of 0.878 for lesion segmentation. Notably, UltraFedFM surpasses the diagnostic accuracy of mid-level ultrasonographers and matches the performance of expert-level sonographers in the joint diagnosis of 8 common systemic diseases. These findings indicate that UltraFedFM can significantly enhance clinical diagnostics while safeguarding patient privacy, marking an advancement in AI-driven ultrasound imaging for future clinical applications.
- Abstract（参考訳）: 超音波画像は、その非侵襲性やリアルタイム能力のために臨床診断に広く用いられている。
しかし、従来の超音波診断では、医師の専門知識への依存度が高く、画像の画質が最適であり、解釈を複雑にし、診断エラーの可能性を高めるなど、いくつかの制限に直面している。
人工知能(AI)は、臨床診断、特に様々な生体画像モダリティの異常を検出するための有望な解決策として登場した。
それでも、超音波イメージングのための現在のAIモデルは、重大な課題に直面している。
第一に、これらのモデルは、しばしば大量のラベル付き医療データを必要とし、患者のプライバシー侵害に対する懸念を引き起こす。
第二に、既存のモデルのほとんどはタスク固有のもので、より広範な臨床ユーティリティを制限する。
これらの課題を克服するために,革新的なプライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。
UltraFedFMは、19の臓器と10の超音波モダリティをカバーする100万以上の超音波画像のデータセットを利用して、9カ国の16の分散医療機関で連合学習を使用して、協調的に事前訓練されている。
この広範囲で多様なデータとセキュアなトレーニングフレームワークを組み合わせることで、UltraFedFMは強力な一般化と診断能力を発揮する。
疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
特に、UltraFedFMは、中級超音波検査者の診断精度を上回り、専門レベルのソノグラフィーの8つの一般的な全身疾患の診断におけるパフォーマンスと一致している。
これらの結果から,UltraFedFMは患者のプライバシを保護しながら臨床診断を著しく向上させ,今後の臨床応用に向けたAI駆動超音波画像の進歩を示すことが示唆された。
関連論文リスト
- Generative Adversarial Networks in Ultrasound Imaging: Extending Field of View Beyond Conventional Limits [1.6588671405657123]
TTE超音波イメージングは、特に視野(FoV)と解像度のトレードオフなど、固有の限界に直面している。
本稿では,条件付きジェネレーティブ・アドバイザリ・ネットワーク(cGAN)の新たな応用について紹介する。
提案したcGANアーキテクチャーはエコーGANと呼ばれ、アウトペイントにより現実的な解剖学的構造を生成する能力を示す。
論文 参考訳（メタデータ） (2024-05-31T16:26:30Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Large-scale Long-tailed Disease Diagnosis on Radiology Images [51.453990034460304]
RadDiagは、様々なモダリティと解剖学にわたる2Dおよび3D入力をサポートする基礎モデルである。
私たちのデータセットであるRP3D-DiagDSは、5,568の障害をカバーする195,010のスキャンで40,936の症例を含む。
論文 参考訳（メタデータ） (2023-12-26T18:20:48Z) - Can GPT-4V(ision) Serve Medical Applications? Case Studies on GPT-4V for
Multimodal Medical Diagnosis [59.35504779947686]
GPT-4VはOpenAIの最新のマルチモーダル診断モデルである。
評価対象は17の人体システムである。
GPT-4Vは、医用画像のモダリティと解剖学を区別する能力を示す。
疾患の診断と包括的報告作成において重大な課題に直面している。
論文 参考訳（メタデータ） (2023-10-15T18:32:27Z) - BAAF: A Benchmark Attention Adaptive Framework for Medical Ultrasound
Image Segmentation Tasks [15.998631461609968]
超音波画像中の病変や組織を分類または診断するためのベンチマーク注意適応フレームワーク(BAAF)を提案する。
BAAFは並列ハイブリッドアテンションモジュール(PHAM)と適応キャリブレーション機構(ACM)から構成される。
BAAFの設計は、CNNにおける「何」と「どこに」の焦点と選択の問題をさらに最適化し、医療用超音波画像における病変や組織のセグメンテーション精度を改善することを目指している。
論文 参考訳（メタデータ） (2023-10-02T06:15:50Z) - Reconstruction of Patient-Specific Confounders in AI-based Radiologic
Image Interpretation using Generative Pretraining [12.656718786788758]
本稿では,DiffChestと呼ばれる自己条件拡散モデルを提案し,胸部X線画像のデータセット上で訓練する。
DiffChest氏は、患者固有のレベルでの分類を説明し、モデルを誤解させる可能性のある要因を視覚化する。
本研究は,医用画像分類における拡散モデルに基づく事前訓練の可能性を明らかにするものである。
論文 参考訳（メタデータ） (2023-09-29T10:38:08Z) - Towards Realistic Ultrasound Fetal Brain Imaging Synthesis [0.7315240103690552]
臨床データ不足、患者のプライバシ、一般的には異常の稀な発生、データ収集と検証の専門家の限られたため、一般の超音波胎児画像データセットはほとんどない。
このようなデータ不足に対処するため、私たちは1つのパブリックデータセットから胎児の超音波脳面の画像を生成するために、GAN(Generative Adversarial Network)ベースのモデル、拡散超解像-GANとトランスフォーマーベース-GANを提案した。
論文 参考訳（メタデータ） (2023-04-08T07:07:20Z) - COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical
Network to Monitor and Detect COVID-19 Infection from Point-of-Care
Ultrasound Images [66.63200823918429]
COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。
ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
論文 参考訳（メタデータ） (2023-01-04T16:05:51Z) - Adnexal Mass Segmentation with Ultrasound Data Synthesis [3.614586930645965]
教師付き学習を用いて, 副眼窩腫瘤の分節が可能であることを実証した。
そこで我々は, 新たな病理特異的データ合成装置を応用し, その基礎的真理セグメンテーションを生かした医用画像を作成する。
提案手法は,nU-Netベースラインアプローチと比較して最大8%向上するなど,すべてのクラスで最高のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-09-25T19:24:02Z) - Deep Learning for Ultrasound Beamforming [120.12255978513912]
受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。
現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。
ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
論文 参考訳（メタデータ） (2021-09-23T15:15:21Z)
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。