論文の概要: Federated nnU-Net for Privacy-Preserving Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2503.02549v2
• Date: Thu, 28 Aug 2025 12:01:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 13:55:30.935721
• Title: Federated nnU-Net for Privacy-Preserving Medical Image Segmentation
• Title（参考訳）: プライバシ保護型医用画像セグメンテーションのためのフェデレーションnnU-Net
• Authors: Grzegorz Skorupko, Fotios Avgoustidis, Carlos Martín-Isla, Lidia Garrucho, Dimitri A. Kessler, Esmeralda Ruiz Pujadas, Oliver Díaz, Maciej Bobowicz, Katarzyna Gwoździewicz, Xavier Bargalló, Paulius Jaruševičius, Richard Osuala, Kaisar Kushibar, Karim Lekadir,
• Abstract要約: FednnU-NetはnnU-Netフレームワークのプラグイン・アンド・プレイによる学習拡張である。 我々は,nU-Netの分散トレーニング,すなわちフェデレーションフィンガープリント抽出(FFE)と非対称フェデレーション平均化(AsymFedAvg)をアンロックするための2つのフェデレーション手法を提案する。
• 参考スコア（独自算出の注目度）: 0.9472786424977738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The nnU-Net framework has played a crucial role in medical image segmentation and has become the gold standard in multitudes of applications targeting different diseases, organs, and modalities. However, so far it has been used primarily in a centralized approach where the collected data is stored in the same location where nnU-Net is trained. This centralized approach has various limitations, such as potential leakage of sensitive patient information and violation of patient privacy. Federated learning has emerged as a key approach for training segmentation models in a decentralized manner, enabling collaborative development while prioritising patient privacy. In this paper, we propose FednnU-Net, a plug-and-play, federated learning extension of the nnU-Net framework. To this end, we contribute two federated methodologies to unlock decentralized training of nnU-Net, namely, Federated Fingerprint Extraction (FFE) and Asymmetric Federated Averaging (AsymFedAvg). We conduct a comprehensive set of experiments demonstrating high and consistent performance of our methods for breast, cardiac and fetal segmentation based on a multi-modal collection of 6 datasets representing samples from 18 different institutions. To democratize research as well as real-world deployments of decentralized training in clinical centres, we publicly share our framework at https://github.com/faildeny/FednnUNet .
• Abstract（参考訳）: nnU-Netフレームワークは、医療画像セグメンテーションにおいて重要な役割を担い、さまざまな疾患、臓器、モダリティをターゲットにしたアプリケーションにおいて、ゴールドスタンダードとなっている。 しかし、これまでは主に、収集したデータをnU-Netがトレーニングされた同じ場所に格納する集中型アプローチで使用されてきた。 この集中型アプローチには、機密情報の漏洩や患者のプライバシー侵害など、さまざまな制限がある。 フェデレートラーニング(Federated Learning)は、セグメンテーションモデルを分散的にトレーニングするための重要なアプローチとして登場し、患者のプライバシを優先しながら協調的な開発を可能にする。 本稿では,nnU-Netフレームワークのプラグイン・アンド・プレイ型学習拡張であるFednnU-Netを提案する。 この目的のために、我々は、nnU-Netの分散トレーニング、すなわちフェデレーションフィンガープリント抽出(FFE)と非対称フェデレーション平均化(AsymFedAvg)をアンロックするための2つのフェデレーション手法をコントリビュートする。 18の異なる施設のサンプルを表す6つのデータセットのマルチモーダルコレクションに基づいて,乳房,心臓,胎児のセグメンテーションのための手法の高・一貫した性能を示す総合的な実験を行った。 臨床センターでの分散トレーニングの現実的な展開だけでなく、研究の民主化のために、私たちはフレームワークをhttps://github.com/faildeny/FednnUNet.comで公開しています。

関連論文リスト

• Federated Hierarchical Tensor Networks: a Collaborative Learning Quantum AI-Driven Framework for Healthcare [0.0]
  今日の文脈では、フェデレーテッド・ラーニング(FL)は、分散機械学習の急速な進歩を助長する重要な治療法として際立っている。 本稿では,多体量子物理学の原理を応用した量子テンソルネットワークに基づく連合学習フレームワークを提案する。 一般的な医用画像データセットを用いた実験により、連合量子テンソルネットワークモデルは、曲線(ROC-AUC)の平均受信特性領域を0.91-0.98の範囲で達成した。
  論文  参考訳（メタデータ） (2024-05-13T13:32:02Z)
• Blockchain-empowered Federated Learning for Healthcare Metaverses: User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
  まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。 次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
  論文  参考訳（メタデータ） (2023-07-29T12:54:03Z)
• Federated Multi-organ Segmentation with Inconsistent Labels [14.096407787470701]
  フェデレートラーニング(Federated Learning)は、さまざまなデータオーナ間でデータを共有することなく、大規模な分散学習を可能にする、新たなパラダイムである。 実際には、各臨床部位は他の部位と部分的にまたは全く重複しない特定の臓器にのみ注釈を付けることができる。 本研究は, フェデレーション型マルチエンコードU-Net (Fed-MENU) 法を多臓器セグメンテーションに適用することにより, この問題に対処する。
  論文  参考訳（メタデータ） (2022-06-14T20:34:40Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation [66.44449514373746]
  クロスサイロ・フェデレーション・ラーニング (FL) は近年, 深層学習による医用画像解析において注目されている。 FLでトレーニングされたモデルと、集中的なトレーニングでトレーニングされたモデルの間にはギャップがある。 本稿では,クライアントの問題を回避し,ドリフトギャップを解消するための新しいトレーニングフレームワークであるFedSMを提案する。
  論文  参考訳（メタデータ） (2022-03-18T19:50:07Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• 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)

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。