論文の概要: FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2501.07378v1
- Date: Mon, 13 Jan 2025 14:54:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 14:24:07.623336
- Title: FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation
- Title(参考訳): FedSemiDG:Domain Generalized Federated Semi-supervised Medical Image Segmentation
- Authors: Zhipeng Deng, Zhe Xu, Tsuyoshi Isshiki, Yefeng Zheng,
- Abstract要約: 医用画像の多様性とラベル付きデータの欠如により、医用画像のセグメンテーションは困難である。
本稿では,FedSemiDGの課題に対処するため,FGASL(Federated Generalization-Aware Semi Supervised Learning)という新しいフレームワークを提案する。
提案手法は最先端のFSSLおよびドメインの一般化手法を著しく上回り,未確認領域に対する堅牢な一般化を実現している。
- 参考スコア(独自算出の注目度): 19.87797382888023
- License:
- Abstract: Medical image segmentation is challenging due to the diversity of medical images and the lack of labeled data, which motivates recent developments in federated semi-supervised learning (FSSL) to leverage a large amount of unlabeled data from multiple centers for model training without sharing raw data. However, what remains under-explored in FSSL is the domain shift problem which may cause suboptimal model aggregation and low effectivity of the utilization of unlabeled data, eventually leading to unsatisfactory performance in unseen domains. In this paper, we explore this previously ignored scenario, namely domain generalized federated semi-supervised learning (FedSemiDG), which aims to learn a model in a distributed manner from multiple domains with limited labeled data and abundant unlabeled data such that the model can generalize well to unseen domains. We present a novel framework, Federated Generalization-Aware SemiSupervised Learning (FGASL), to address the challenges in FedSemiDG by effectively tackling critical issues at both global and local levels. Globally, we introduce Generalization-Aware Aggregation (GAA), assigning adaptive weights to local models based on their generalization performance. Locally, we use a Dual-Teacher Adaptive Pseudo Label Refinement (DR) strategy to combine global and domain-specific knowledge, generating more reliable pseudo labels. Additionally, Perturbation-Invariant Alignment (PIA) enforces feature consistency under perturbations, promoting domain-invariant learning. Extensive experiments on three medical segmentation tasks (cardiac MRI, spine MRI and bladder cancer MRI) demonstrate that our method significantly outperforms state-of-the-art FSSL and domain generalization approaches, achieving robust generalization on unseen domains.
- Abstract(参考訳): 医用画像の多様性とラベル付きデータの欠如により、医用画像のセグメンテーションは困難であり、フェデレーション付き半教師付き学習(FSSL)において、生データを共有することなく、複数のセンターから大量のラベルなしデータを活用している。
しかし、FSSLでまだ探索されていないのは、準最適モデルアグリゲーションとラベルなしデータの利用による効果の低いドメインシフトの問題であり、最終的には未確認領域で不満足なパフォーマンスをもたらす。
本稿では,これまで無視されてきたドメイン一般化型半教師付き学習(FedSemiDG)について,限定ラベル付きデータと豊富なラベル付きデータを用いて複数のドメインから分散的にモデルを学習することを目的とした。
本稿では,Ferated Generalization-Aware Semi Supervised Learning (FGASL) という新たな枠組みを提案する。
グローバルにGAA(Generalization-Aware Aggregation)を導入し、その一般化性能に基づいて局所モデルに適応重みを割り当てる。
局所的には、Dual-Teacher Adaptive Pseudo Label Refinement(DR)戦略を用いて、グローバルな知識とドメイン固有の知識を組み合わせて、より信頼性の高い擬似ラベルを生成する。
さらに、摂動不変アライメント(PIA)は摂動下での機能一貫性を強制し、ドメイン不変学習を促進する。
心臓MRI, 脊椎MRI, 膀胱癌MRIの3つの領域分割作業における広範囲な実験により, 本手法は最先端のFSSLおよび領域の一般化アプローチを著しく上回り, 未確認領域での堅牢な一般化を実現していることが示された。
関連論文リスト
- Domain-Guided Weight Modulation for Semi-Supervised Domain Generalization [11.392783918495404]
半教師付き領域一般化の課題について検討する。
目的は、ラベル付きデータのごく一部とラベルなしデータの比較的大きな部分だけを使用しながら、ドメイン一般化可能なモデルを学ぶことである。
そこで本研究では,様々なドメインシフトの下で,正確な擬似ラベルの生成を容易にする新しい手法を提案する。
論文 参考訳(メタデータ) (2024-09-04T01:26:23Z) - Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。
Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。
DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
論文 参考訳(メタデータ) (2024-07-10T11:11:36Z) - SSL-DG: Rethinking and Fusing Semi-supervised Learning and Domain
Generalization in Medical Image Segmentation [0.0]
そこで本研究では,未知のターゲットデータをソースデータの線形結合で表現し,単純なデータ拡張によって実現可能であることを示す。
DGとSSLを融合したSSL-DGを提案する。
論文 参考訳(メタデータ) (2023-11-05T07:44:40Z) - Domain Generalization with Adversarial Intensity Attack for Medical
Image Segmentation [27.49427483473792]
実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。
ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。
本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
論文 参考訳(メタデータ) (2023-04-05T19:40:51Z) - Single-domain Generalization in Medical Image Segmentation via Test-time
Adaptation from Shape Dictionary [64.5632303184502]
ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。
本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。
本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-06-29T08:46:27Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2021-05-17T10:11:45Z) - FedDG: Federated Domain Generalization on Medical Image Segmentation via
Episodic Learning in Continuous Frequency Space [63.43592895652803]
フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。
臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。
そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。
本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
論文 参考訳(メタデータ) (2021-03-10T13:05:23Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳(メタデータ) (2020-07-04T07:56:02Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳(メタデータ) (2020-04-02T03:25:05Z)
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。