論文の概要: Generative Autoregressive Transformers for Model-Agnostic Federated MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2502.04521v2
- Date: Thu, 08 May 2025 20:18:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-12 14:47:46.911982
- Title: Generative Autoregressive Transformers for Model-Agnostic Federated MRI Reconstruction
- Title（参考訳）: モデル非依存型MRI画像再構成のための自己回帰変換器
- Authors: Valiyeh A. Nezhad, Gokberk Elmas, Bilal Kabas, Fuat Arslan, Tolga Çukur,
- Abstract要約: FedGATは、生成的自己回帰変換器に基づくモデルに依存しないFL技術である。
Controllablyは、自動回帰予測を通じて、所望のサイトから現実的なMR画像を合成する。
各サイトは、ハイブリッドデータセット上で独自の再構築モデルをトレーニングする。
- 参考スコア（独自算出の注目度）: 5.519160766363227
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although learning-based models hold great promise for MRI reconstruction, single-site models built on limited local datasets often suffer from poor generalization. This challenge has spurred interest in collaborative model training on multi-site datasets via federated learning (FL) -- a privacy-preserving framework that aggregates model updates instead of sharing imaging data. Conventional FL aggregates locally trained model weights into a global model, inherently constraining all sites to use a homogeneous model architecture. This rigidity forces sites to compromise on architectures tailored to their compute resources and application-specific needs, making conventional FL unsuitable for model-heterogeneous settings where each site may prefer a distinct architecture. To overcome this limitation, we introduce FedGAT, a novel model-agnostic FL technique based on generative autoregressive transformers. FedGAT decentralizes the training of a global generative prior that learns the distribution of multi-site MR images. For high-fidelity synthesis, we propose a novel site-prompted GAT prior that controllably synthesizes realistic MR images from desired sites via autoregressive prediction across spatial scales. Each site then trains its own reconstruction model -- using an architecture of its choice -- on a hybrid dataset augmenting its local MRI dataset with GAT-generated synthetic MR images emulating datasets from other sites. This hybrid training strategy enables site-specific reconstruction models to generalize more effectively across diverse data distributions while preserving data privacy. Comprehensive experiments on multi-institutional datasets demonstrate that FedGAT enables flexible, model-heterogeneous collaborations and achieves superior within-site and cross-site reconstruction performance compared to state-of-the-art FL baselines.
- Abstract（参考訳）: 学習ベースのモデルはMRI再構成に大いに期待できるが、限られたローカルデータセット上に構築された単一サイトモデルは、しばしば一般化の貧弱さに悩まされる。
この課題は、画像データを共有する代わりにモデル更新を集約するプライバシ保護フレームワークであるフェデレーションラーニング(FL)を通じて、マルチサイトデータセットのコラボレーティブモデルトレーニングへの関心を喚起した。
従来のFLは、局所的に訓練されたモデルウェイトをグローバルモデルに集約し、本質的にすべてのサイトが同質なモデルアーキテクチャを使用するように制約する。
この厳密性により、サイトは計算資源やアプリケーション固有のニーズに合わせたアーキテクチャを妥協せざるを得なくなり、従来のFLは各サイトが異なるアーキテクチャを好むようなモデル不均一な設定には適さない。
この制限を克服するために、生成自己回帰変換器に基づく新しいモデルに依存しないFL技術であるFedGATを紹介する。
FedGATは、多地点MR画像の分布を学習するグローバルな生成前のトレーニングを分散化する。
高忠実度合成のために,空間スケールを横断する自己回帰予測により,所望の部位から現実的なMR画像を制御的に合成する新しいサイトプロンプトGATを提案する。
各サイトは、GAT生成した他のサイトからのデータセットをエミュレートした合成MR画像を使用して、ローカルMRIデータセットを増強するハイブリッドデータセットで、選択したアーキテクチャを使用して、独自の再構築モデルをトレーニングする。
このハイブリッドトレーニング戦略により、サイト固有の再構築モデルは、データのプライバシを保ちながら、多様なデータ分散をより効果的に一般化することができる。
多施設データセットに関する総合的な実験により、FedGATはフレキシブルでモデル・ヘテロジニアスなコラボレーションを可能にし、最先端のFLベースラインと比較して、内部およびクロスサイト再構築性能が優れていることが示された。
関連論文リスト
- FedSKD: Aggregation-free Model-heterogeneous Federated Learning using Multi-dimensional Similarity Knowledge Distillation [7.944298319589845]
フェデレートラーニング(FL)は、直接データを共有することなく、プライバシー保護のための協調モデルトレーニングを可能にする。
MHFL(Model-heterogeneous FL)は、クライアントが計算資源やアプリケーション固有のニーズに合わせて、不均一なアーキテクチャでパーソナライズされたモデルを訓練することを可能にする。
ピアツーピア(P2P)FLはサーバ依存を除去するが、モデルドリフトと知識の希釈に悩まされ、不均一な設定での有効性が制限される。
ラウンドロビンモデル循環による直接知識交換を容易にする新しいMHFLフレームワークであるFedSKDを提案する。
論文 参考訳（メタデータ） (2025-03-23T05:33:10Z) - Zero-shot Dynamic MRI Reconstruction with Global-to-local Diffusion Model [17.375064910924717]
本稿では,Glob-al-to-local Diffusion Model(Glob-al-to-local Diffusion Model)と呼ばれる時間インターリーブ取得方式に基づく動的MRI再構成手法を提案する。
提案手法は, 騒音の低減と保存の両面において良好に機能し, 教師付き手法に匹敵する再現性を実現する。
論文 参考訳（メタデータ） (2024-11-06T07:40:27Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳（メタデータ） (2023-07-12T16:28:21Z) - Vertical Federated Learning over Cloud-RAN: Convergence Analysis and
System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。
アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。
我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文 参考訳（メタデータ） (2023-05-04T09:26:03Z) - One Model to Unite Them All: Personalized Federated Learning of
Multi-Contrast MRI Synthesis [5.3963856146595095]
学習ベースのMRI翻訳は、ソースコントラストをターゲットコントラスト画像にマッピングする合成モデルを含む。
ここでは、MRI合成のための最初のパーソナライズされたFL法(pFL Synth)を紹介する。
pFL Synthは、個々のサイトやソース・ターゲットのコントラストに固有の潜伏剤を生成するマッパーを備えた敵モデルに基づいている。
論文 参考訳（メタデータ） (2022-07-13T20:14:16Z) - Federated Learning of Generative Image Priors for MRI Reconstruction [5.3963856146595095]
マルチインスティカルな取り組みは、画像データのクロスサイト共有中にプライバシー上のリスクが発生するにもかかわらず、ディープMRI再構成モデルのトレーニングを容易にする。
FedGIMP (FedGIMP) を用いた新しいMRI再構成法を提案する。
FedGIMPは、2段階のアプローチを利用する: 生成MRIのクロスサイト学習と、イメージングオペレーターの主題固有の注入である。
論文 参考訳（メタデータ） (2022-02-08T22:17:57Z) - Specificity-Preserving Federated Learning for MR Image Reconstruction [94.58912814426122]
統合学習は、磁気共鳴(MR)画像再構成におけるデータのプライバシーと効率を改善するために使用できる。
近年のFL技術は、グローバルモデルの一般化を強化することで、この問題を解決する傾向にある。
MR画像再構成のための特異性保存FLアルゴリズム(FedMRI)を提案する。
論文 参考訳（メタデータ） (2021-12-09T22:13:35Z) - FedHM: Efficient Federated Learning for Heterogeneous Models via
Low-rank Factorization [16.704006420306353]
スケーラブルなフェデレート学習フレームワークは、異なる計算能力と通信能力を備えた異種クライアントに対処する必要がある。
本稿では,不均一な低ランクモデルをクライアントに分散し,それらをグローバルなフルランクモデルに集約する,新しいフェデレーションモデル圧縮フレームワークであるFedHMを提案する。
我々のソリューションは、計算複雑性の異なる異種局所モデルの訓練を可能にし、単一の大域的モデルを集約する。
論文 参考訳（メタデータ） (2021-11-29T16:11:09Z) - Rethinking Architecture Design for Tackling Data Heterogeneity in
Federated Learning [53.73083199055093]
注意に基づくアーキテクチャ(例えばTransformers)は、分散シフトに対してかなり堅牢であることを示す。
我々の実験は、畳み込みネットワークをトランスフォーマーに置き換えることによって、過去のデバイスを壊滅的に忘れることを大幅に減らせることを示した。
論文 参考訳（メタデータ） (2021-06-10T21:04:18Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z)
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。