論文の概要: UltraFlwr -- An Efficient Federated Medical and Surgical Object Detection Framework

• arxiv url: http://arxiv.org/abs/2503.15161v1
• Date: Wed, 19 Mar 2025 12:38:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:23:22.900137
• Title: UltraFlwr -- An Efficient Federated Medical and Surgical Object Detection Framework
• Title（参考訳）: UltraFlwr -- 効果的な統合医療・外科的対象検出フレームワーク
• Authors: Yang Li, Soumya Snigdha Kundu, Maxence Boels, Toktam Mahmoodi, Sebastien Ourselin, Tom Vercauteren, Prokar Dasgupta, Jonathan Shapey, Alejandro Granados,
• Abstract要約: 医用および外科的対象検出のためのフレームワークであるUltraFlwrを紹介する。 YOLO-PAは1ラウンドあたりの通信オーバーヘッドを最大83%削減する。 医用および外科的対象検出における最初のベンチマークの1つを確立した。
• 参考スコア（独自算出の注目度）: 38.933670402566506
• License:
• Abstract: Object detection shows promise for medical and surgical applications such as cell counting and tool tracking. However, its faces multiple real-world edge deployment challenges including limited high-quality annotated data, data sharing restrictions, and computational constraints. In this work, we introduce UltraFlwr, a framework for federated medical and surgical object detection. By leveraging Federated Learning (FL), UltraFlwr enables decentralized model training across multiple sites without sharing raw data. To further enhance UltraFlwr's efficiency, we propose YOLO-PA, a set of novel Partial Aggregation (PA) strategies specifically designed for YOLO models in FL. YOLO-PA significantly reduces communication overhead by up to 83% per round while maintaining performance comparable to Full Aggregation (FA) strategies. Our extensive experiments on BCCD and m2cai16-tool-locations datasets demonstrate that YOLO-PA not only provides better client models compared to client-wise centralized training and FA strategies, but also facilitates efficient training and deployment across resource-constrained edge devices. Further, we also establish one of the first benchmarks in federated medical and surgical object detection. This paper advances the feasibility of training and deploying detection models on the edge, making federated object detection more practical for time-critical and resource-constrained medical and surgical applications. UltraFlwr is publicly available at https://github.com/KCL-BMEIS/UltraFlwr.
• Abstract（参考訳）: オブジェクト検出は、細胞カウントやツールトラッキングなどの医学的および外科的応用を約束する。 しかし、高品質なアノテートされたデータ、データ共有の制限、計算の制約など、現実世界のエッジデプロイメントの課題に直面する。 本研究は, 医用および外科的対象検出のためのフレームワークであるUltraFlwrを紹介する。 フェデレートラーニング(FL)を活用することで、UltraFlwrは生データを共有することなく、複数のサイトにわたる分散モデルトレーニングを可能にする。 我々は,UltraFlwrの効率をさらに高めるために,FLのYOLOモデルに特化して設計された新しい部分集合(PA)戦略であるYOLO-PAを提案する。 YOLO-PAは、フルアグリゲーション(FA)戦略に匹敵するパフォーマンスを維持しながら、1ラウンドあたりの通信オーバーヘッドを最大83%削減する。 BCCDとm2cai16-tool-locationsデータセットに関する大規模な実験は、YOLO-PAがクライアントワイドな集中型トレーニングやFA戦略よりも優れたクライアントモデルを提供するだけでなく、リソース制約のあるエッジデバイス間の効率的なトレーニングとデプロイメントを促進することを実証しています。 また,フェデレートされた医用および外科用物体検出における最初のベンチマークの1つも確立した。 本研究は, 時間的・資源的制約のある医療・外科的応用において, フェデレーション対象検出がより実用的になるように, エッジ上でのトレーニングと展開の可能性を高めるものである。 UltraFlwrはhttps://github.com/KCL-BMEIS/UltraFlwrで公開されている。

関連論文リスト

• Identifying Surgical Instruments in Pedagogical Cataract Surgery Videos through an Optimized Aggregation Network [1.053373860696675]
  本稿では白内障手術ビデオにおける手術器具のリアルタイム同定のためのディープラーニングモデルを提案する。 YOLOV9のアーキテクチャにインスパイアされたこのモデルは、プログラマブル・グラディエント・インフォメーション(PGI)機構と、新しい汎用高効率層アグリゲーション・ネットワーク(Go-ELAN)を採用している。 YOLO v5, v7, v8, v9 vanilla, Laptool, DETR に対して評価された Go-ELAN YOLOV9 モデルは,IoU 0.5 において 615 画像のデータセットで 73.74 の優れた mAP を達成している。
  論文  参考訳（メタデータ） (2025-01-05T18:18:52Z)
• FedGS: Federated Gradient Scaling for Heterogeneous Medical Image Segmentation [0.4499833362998489]
  そこで本研究では,FedGSという新しいFLアグリゲーション手法を提案する。 FedGSは、特に小さな病変に対して、PolypGenとLiTSデータセット間で、FedAvgよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-08-21T15:26:21Z)
• Robust and Explainable Framework to Address Data Scarcity in Diagnostic Imaging [6.744847405966574]
  Efficient Transfer and Self-supervised Learning based Ensemble Framework (ETSEF) と呼ばれる新しいアンサンブルフレームワークを導入する。 ETSEFは、訓練済みの複数のディープラーニングモデルの特徴を活用して、限られたデータサンプルから強力な表現を効率的に学習する。 内視鏡検査,乳がん,サルポックス,脳腫瘍,緑内障検出,緑内障検出の5つの独立した医療画像検査を行い,ETSEFの有効性と堅牢性について検討した。
  論文  参考訳（メタデータ） (2024-07-09T05:48:45Z)
• Advancing UWF-SLO Vessel Segmentation with Source-Free Active Domain Adaptation and a Novel Multi-Center Dataset [11.494899967255142]
  UWF-SLO画像における正確な血管セグメンテーションは網膜疾患の診断に不可欠である。 高い解像度のUWF-SLO画像を手動でラベル付けすることは、非常に難しく、時間がかかり、高価な作業である。 本研究では、パッチベースのアクティブドメイン適応アプローチを活用する先駆的なフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-06-19T15:49:06Z)
• Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning [67.49221252724229]
  E-Healthは、スマートデバイスや医療機関が患者のデータを共同で収集することを可能にする。 eヘルスにフェデレートされた学習を適用することは、多くの課題に直面します。 医療データは水平および垂直に分割される。 HFLとVFLの単純な組み合わせには、訓練効率の低下、難聴収束分析、パラメータチューニング戦略の欠如など、制限がある。
  論文  参考訳（メタデータ） (2024-04-15T19:45:07Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• 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)
• Distributed Contrastive Learning for Medical Image Segmentation [16.3860181959878]
  監視されたディープラーニングは、高いパフォーマンスを達成するために大量のラベル付きデータを必要とします。 医用画像解析では、各サイトは限られた量のデータとラベルしか持たず、学習を効果的にしない。 アノテーションを限定した医用画像セグメンテーションのための2つのフェデレーション型自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-07T20:47:05Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• 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)

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。