論文の概要: MedSegNet10: A Publicly Accessible Network Repository for Split Federated Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2503.20830v1
- Date: Wed, 26 Mar 2025 05:40:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:52:55.673039
- Title: MedSegNet10: A Publicly Accessible Network Repository for Split Federated Medical Image Segmentation
- Title（参考訳）: MedSegNet10:Federated Medical Image Segmentationのためのパブリックアクセス可能なネットワークリポジトリ
- Authors: Chamani Shiranthika, Zahra Hafezi Kafshgari, Hadi Hadizadeh, Parvaneh Saeedi,
- Abstract要約: MedSegNet10は、スプリットフェデレーション学習を用いた医用画像セグメンテーション用に設計されたレポジトリである。
SplitFedの利点を活用することで、MedSegNet10はプライベートに格納された水平に分割されたデータの協調トレーニングを可能にし、プライバシと整合性を保証する。
- 参考スコア（独自算出の注目度）: 5.437298646956505
- License:
- Abstract: Machine Learning (ML) and Deep Learning (DL) have shown significant promise in healthcare, particularly in medical image segmentation, which is crucial for accurate disease diagnosis and treatment planning. Despite their potential, challenges such as data privacy concerns, limited annotated data, and inadequate training data persist. Decentralized learning approaches such as federated learning (FL), split learning (SL), and split federated learning (SplitFed/SFL) address these issues effectively. This paper introduces "MedSegNet10," a publicly accessible repository designed for medical image segmentation using split-federated learning. MedSegNet10 provides a collection of pre-trained neural network architectures optimized for various medical image types, including microscopic images of human blastocysts, dermatoscopic images of skin lesions, and endoscopic images of lesions, polyps, and ulcers, with applications extending beyond these examples. By leveraging SplitFed's benefits, MedSegNet10 allows collaborative training on privately stored, horizontally split data, ensuring privacy and integrity. This repository supports researchers, practitioners, trainees, and data scientists, aiming to advance medical image segmentation while maintaining patient data privacy. The repository is available at: https://vault.sfu.ca/index.php/s/ryhf6t12O0sobuX (password upon request to the authors).
- Abstract（参考訳）: 機械学習(ML)とディープラーニング(DL)は、医療、特に正確な疾患診断と治療計画に欠かせない医療画像のセグメンテーションにおいて、大きな可能性を示してきた。
その可能性にもかかわらず、データプライバシの懸念、注釈付きデータの制限、トレーニングデータの不十分といった課題は継続する。
連合学習(FL)、分割学習(SL)、分割学習(SplitFed/SFL)といった分散学習アプローチはこれらの問題を効果的に解決する。
本稿では,スプリットフェデレーション学習を用いた医用画像セグメンテーションのための公開リポジトリであるMedSegNet10を紹介する。
MedSegNet10は、ヒト胚盤胞の顕微鏡像、皮膚病変の皮膚内視鏡像、病変、ポリープ、潰瘍の内視鏡像など、様々な医療画像タイプに最適化されたトレーニング済みのニューラルネットワークアーキテクチャのコレクションを提供する。
SplitFedの利点を活用することで、MedSegNet10はプライベートに格納された水平に分割されたデータの協調トレーニングを可能にし、プライバシと整合性を保証する。
このリポジトリは、研究者、開業医、研修生、データサイエンティストをサポートし、患者のデータのプライバシーを維持しながら、医療画像のセグメンテーションを進めることを目指している。
リポジトリは以下の通りである。 https://vault.sfu.ca/index.php/s/ryhf6t12O0sobuX (著者に要求されたパスワード)。
関連論文リスト
- UniMed-CLIP: Towards a Unified Image-Text Pretraining Paradigm for Diverse Medical Imaging Modalities [68.12889379702824]
対照的な学習によって訓練された視覚言語モデル(VLM)は、自然画像タスクにおいて顕著な成功を収めた。
UniMedは530万以上の画像テキストペアからなる、大規模でオープンソースのマルチモーダル医療データセットである。
我々は、6つのモダリティのための統一VLMであるUniMed-CLIPを訓練し、ゼロショット評価において顕著な利益を得た。
論文 参考訳（メタデータ） (2024-12-13T18:59:40Z) - Privacy Preserving Federated Learning in Medical Imaging with Uncertainty Estimation [15.63535423357971]
機械学習(ML)と人工知能(AI)は、特に医療において顕著な進歩を加速している。医療画像では、MLモデルは、疾患の診断、治療計画、治療後のモニタリングを改善するという約束を持っている。
患者のデータを取り巻くプライバシーに関する懸念は、正確で堅牢で一般化可能なモデルの開発とトレーニングに必要な大規模なトレーニングデータセットの組み立てを妨げる。
フェデレートラーニング(FL)は魅力的なソリューションとして登場し、データ(医療画像など)ではなくモデルトレーニング情報(段階的)を共有することで、組織がMLモデルのトレーニングに協力できるようにする。
論文 参考訳（メタデータ） (2024-06-18T17:35:52Z) - Federated Semi-supervised Learning for Medical Image Segmentation with intra-client and inter-client Consistency [10.16245019262119]
フェデレートラーニングは、ローカルデータ交換なしで、分離されたクライアントの共有モデルをトレーニングすることを目的としている。
本研究では,医用画像セグメンテーションのための新しい半教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-19T12:52:38Z) - 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) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳（メタデータ） (2022-09-21T12:30:05Z) - 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) - Feasibility Study of Multi-Site Split Learning for Privacy-Preserving
Medical Systems under Data Imbalance Constraints in COVID-19, X-Ray, and
Cholesterol Dataset [11.021444485027143]
本稿では,「複数サイト分割学習」という用語を用いた新しい分割学習アルゴリズムを提案する。
複数の病院間で医療データの安全な転送を可能にし、患者記録に含まれる個人データを公開することを恐れない。
論文 参考訳（メタデータ） (2022-02-21T03:51:27Z) - Spatio-Temporal Split Learning for Privacy-Preserving Medical Platforms:
Case Studies with COVID-19 CT, X-Ray, and Cholesterol Data [10.169998593773915]
患者記録は、通常、機関間で共有されていない最も機密性の高い個人情報の1つである。
本稿では、プライバシに敏感な組織間のコラボレーションを可能にするための転換点である分散ディープニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-20T04:47:02Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z)
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。