論文の概要: A Privacy-Preserving Domain Adversarial Federated learning for multi-site brain functional connectivity analysis

• arxiv url: http://arxiv.org/abs/2502.01885v1
• Date: Mon, 03 Feb 2025 23:26:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:01:11.456120
• Title: A Privacy-Preserving Domain Adversarial Federated learning for multi-site brain functional connectivity analysis
• Title（参考訳）: 多地点脳機能接続解析のためのプライバシ保護ドメイン適応フェデレーション学習
• Authors: Yipu Zhang, Likai Wang, Kuan-Jui Su, Aiying Zhang, Hao Zhu, Xiaowen Liu, Hui Shen, Vince D. Calhoun, Yuping Wang, Hongwen Deng,
• Abstract要約: Domain Adversarial Federated Learning (DAFed)は、非IID fMRIデータ解析を多地点で行うための新しいディープラーニングフレームワークである。 DAFedは、これらの課題に、機能分離を通じて対処し、潜在機能空間をドメイン不変およびドメイン固有コンポーネントに分解する。
• 参考スコア（独自算出の注目度）: 21.194849063213486
• License:
• Abstract: Resting-state functional magnetic resonance imaging (rs-fMRI) and its derived functional connectivity networks (FCNs) have become critical for understanding neurological disorders. However, collaborative analyses and the generalizability of models still face significant challenges due to privacy regulations and the non-IID (non-independent and identically distributed) property of multiple data sources. To mitigate these difficulties, we propose Domain Adversarial Federated Learning (DAFed), a novel federated deep learning framework specifically designed for non-IID fMRI data analysis in multi-site settings. DAFed addresses these challenges through feature disentanglement, decomposing the latent feature space into domain-invariant and domain-specific components, to ensure robust global learning while preserving local data specificity. Furthermore, adversarial training facilitates effective knowledge transfer between labeled and unlabeled datasets, while a contrastive learning module enhances the global representation of domain-invariant features. We evaluated DAFed on the diagnosis of ASD and further validated its generalizability in the classification of AD, demonstrating its superior classification accuracy compared to state-of-the-art methods. Additionally, an enhanced Score-CAM module identifies key brain regions and functional connectivity significantly associated with ASD and MCI, respectively, uncovering shared neurobiological patterns across sites. These findings highlight the potential of DAFed to advance multi-site collaborative research in neuroimaging while protecting data confidentiality.
• Abstract（参考訳）: 静止状態磁気共鳴画像(rs-fMRI)とその派生機能接続ネットワーク(FCN)は神経疾患の理解に重要である。 しかし、協調分析とモデルの一般化は、プライバシ規制と複数のデータソースの非IID(非独立かつ同一の分散)特性のために依然として重大な課題に直面している。 これらの問題を緩和するために,多地点で非IID fMRIデータ解析用に設計された新しい深層学習フレームワークであるDomain Adversarial Federated Learning (DAFed)を提案する。 DAFedはこれらの課題に、機能障害を解決し、潜在機能領域をドメイン不変およびドメイン固有コンポーネントに分解し、ローカルデータの特異性を保ちながら、堅牢なグローバルな学習を保証する。 さらに,ラベル付きデータセットとラベルなしデータセット間の効果的な知識伝達を促進する一方で,対照的な学習モジュールはドメイン不変機能のグローバル表現を強化する。 DAFed は ASD の診断に基づいて評価し,AD の分類におけるその一般化性を更に検証し,最先端の手法と比較して優れた分類精度を示した。 さらに、拡張されたScore-CAMモジュールは、ASDとMCIに深く関連する主要な脳領域と機能的な接続を識別し、部位間で共有された神経生物学的パターンを明らかにする。 これらの知見は、データ機密性を保護しつつ、神経イメージングにおける多地点共同研究を進めるためのDAFedの可能性を強調している。

関連論文リスト

• Multi-modal Cross-domain Self-supervised Pre-training for fMRI and EEG Fusion [3.8153469790341084]
  ドメイン間でのマルチモーダル情報の相乗化に自己教師付き学習を活用する新しい手法を提案する。 提案手法を利用した大規模事前学習データセットと事前学習MCSPモデルを構築した。 本研究は,fMRIと脳波の融合の著しい進展に寄与し,クロスドメイン機能の統合を図っている。
  論文  参考訳（メタデータ） (2024-09-27T20:25:17Z)
• Augmentation-based Unsupervised Cross-Domain Functional MRI Adaptation for Major Depressive Disorder Identification [23.639488571585044]
  メジャー・うつ病(Major depressive disorder、MDD)は、一般的に人の気分、認知、行動、身体的健康に影響を及ぼす一般的な精神障害である。 本研究では,MDDの自動診断のための拡張型非教師付きクロスドメインfMRI適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-31T13:55:33Z)
• Metadata-Driven Federated Learning of Connectional Brain Templates in Non-IID Multi-Domain Scenarios [8.482054595307966]
  そこで我々はメタFedCBTと呼ばれるメタデータ駆動のフェデレーション学習フレームワークを提案する。 本モデルは,ローカルクライアントベースの回帰器ネットワークを導入することで,メタデータを完全に教師付きで学習することを目的としている。 我々の教師付きメタデータ生成アプローチは、特定の脳状態のより中心的で代表的で総合的なCBTの教師なし学習を促進する。
  論文  参考訳（メタデータ） (2024-03-14T07:38:22Z)
• 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)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• MHATC: Autism Spectrum Disorder identification utilizing multi-head attention encoder along with temporal consolidation modules [11.344829880346353]
  静止状態fMRIは、ネットワークベースの機能接続を用いて自閉症スペクトラム障害(ASD)の診断に一般的に用いられる。 ASD患者として個人を分類するための多面的注意と時間的統合モジュールからなる新しいディープラーニングアーキテクチャ(MHATC)を提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:50:16Z)
• Unsupervised Domain Adaptation for Dysarthric Speech Detection via Domain Adversarial Training and Mutual Information Minimization [52.82138296332476]
  本稿では,非教師付き領域適応問題として,クロスドメイン・ディザスリック音声検出(DSD)を定式化するための最初の試みを行う。 DPC, DAT, 相互情報最小化(MIM)を含むマルチタスク学習戦略を提案する。 実験の結果, 発話レベルの重み付き平均リコールと話者レベルの精度では, それぞれ22.2%, 20.0%の絶対的な増加が得られた。
  論文  参考訳（メタデータ） (2021-06-18T13:34:36Z)
• 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)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• 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。