論文の概要: Brain Tumor Detection in MRI Based on Federated Learning with YOLOv11

• arxiv url: http://arxiv.org/abs/2503.04087v1
• Date: Thu, 06 Mar 2025 04:50:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 16:00:56.194001
• Title: Brain Tumor Detection in MRI Based on Federated Learning with YOLOv11
• Title（参考訳）: YOLOv11を用いたフェデレーション学習に基づくMRI脳腫瘍検出
• Authors: Sheikh Moonwara Anjum Monisha, Ratun Rahman,
• Abstract要約: 現在の機械学習アプローチには、データプライバシとレイテンシの2つの大きな制限がある。 YOLOv11アルゴリズムを取り入れたより正確な脳腫瘍検出のためのフェデレート学習アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: One of the primary challenges in medical diagnostics is the accurate and efficient use of magnetic resonance imaging (MRI) for the detection of brain tumors. But the current machine learning (ML) approaches have two major limitations, data privacy and high latency. To solve the problem, in this work we propose a federated learning architecture for a better accurate brain tumor detection incorporating the YOLOv11 algorithm. In contrast to earlier methods of centralized learning, our federated learning approach protects the underlying medical data while supporting cooperative deep learning model training across multiple institutions. To allow the YOLOv11 model to locate and identify tumor areas, we adjust it to handle MRI data. To ensure robustness and generalizability, the model is trained and tested on a wide range of MRI data collected from several anonymous medical facilities. The results indicate that our method significantly maintains higher accuracy than conventional approaches.
• Abstract（参考訳）: 医学診断における主要な課題の1つは、脳腫瘍の検出にMRI(MRI)の正確かつ効率的な利用である。 しかし、現在の機械学習(ML)アプローチには、データプライバシと高レイテンシという2つの大きな制限がある。 そこで本研究では, YOLOv11アルゴリズムを取り入れた脳腫瘍の高精度検出のためのフェデレート学習アーキテクチャを提案する。 従来の集中型学習とは対照的に,我々の連合型学習アプローチは,複数の機関で協調的な深層学習モデルトレーニングをサポートしながら,基礎となる医療データを保護している。 YOLOv11モデルで腫瘍領域の特定と同定を可能にするため,MRIデータを扱うように調整する。 堅牢性と一般化性を確保するため、このモデルは複数の匿名医療施設から収集された幅広いMRIデータをトレーニングし、テストする。 その結果,本手法は従来の手法よりも精度が高いことが示唆された。

関連論文リスト

• SKIPNet: Spatial Attention Skip Connections for Enhanced Brain Tumor Classification [3.8233569758620063]
  脳腫瘍の早期発見は、タイムリーな治療には不可欠であるが、遠隔地では診断施設へのアクセスが制限されている。 本研究では,MRIデータを用いた脳腫瘍の自動検出と分類のためのディープラーニングモデルを提案する。 空間的注意を取り入れたこのモデルは96.90%の精度を達成し、パターン認識を改善するために文脈情報の集約を強化した。
  論文  参考訳（メタデータ） (2024-12-10T18:32:42Z)
• Empowering Healthcare through Privacy-Preserving MRI Analysis [3.6394715554048234]
  本稿では,Ensemble-Based Federated Learning (EBFL)フレームワークを紹介する。 EBFLフレームワークは、機密性の高い患者データを共有することよりも、モデルの特徴を強調することによって、従来のアプローチから逸脱する。 グリオーマ,髄膜腫,下垂体,非腫瘍例などの脳腫瘍の分類において,有意な精度が得られた。
  論文  参考訳（メタデータ） (2024-03-14T19:51:18Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
  我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。 新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。 本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
  論文  参考訳（メタデータ） (2021-06-14T12:19:27Z)

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。