論文の概要: Federated Learning for Medical Image Classification: A Comprehensive Benchmark
- arxiv url: http://arxiv.org/abs/2504.05238v1
- Date: Mon, 07 Apr 2025 16:22:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-08 14:09:41.218647
- Title: Federated Learning for Medical Image Classification: A Comprehensive Benchmark
- Title（参考訳）: 医用画像分類のためのフェデレートラーニング:総合ベンチマーク
- Authors: Zhekai Zhou, Guibo Luo, Mingzhi Chen, Zhenyu Weng, Yuesheng Zhu,
- Abstract要約: 我々は,医療画像の文脈において,いくつかの最先端のフェデレーション学習アルゴリズムを包括的に評価する。
すべての医学的フェデレートされた学習シナリオに対して、常に最適なパフォーマンスを提供するアルゴリズムは存在しない。
われわれのコードはGitHubでリリースされ、医用画像の今後のフェデレーション学習研究のための信頼性と総合的なベンチマークを提供する。
- 参考スコア（独自算出の注目度）: 19.725507209432198
- License:
- Abstract: The federated learning paradigm is wellsuited for the field of medical image analysis, as it can effectively cope with machine learning on isolated multicenter data while protecting the privacy of participating parties. However, current research on optimization algorithms in federated learning often focuses on limited datasets and scenarios, primarily centered around natural images, with insufficient comparative experiments in medical contexts. In this work, we conduct a comprehensive evaluation of several state-of-the-art federated learning algorithms in the context of medical imaging. We conduct a fair comparison of classification models trained using various federated learning algorithms across multiple medical imaging datasets. Additionally, we evaluate system performance metrics, such as communication cost and computational efficiency, while considering different federated learning architectures. Our findings show that medical imaging datasets pose substantial challenges for current federated learning optimization algorithms. No single algorithm consistently delivers optimal performance across all medical federated learning scenarios, and many optimization algorithms may underperform when applied to these datasets. Our experiments provide a benchmark and guidance for future research and application of federated learning in medical imaging contexts. Furthermore, we propose an efficient and robust method that combines generative techniques using denoising diffusion probabilistic models with label smoothing to augment datasets, widely enhancing the performance of federated learning on classification tasks across various medical imaging datasets. Our code will be released on GitHub, offering a reliable and comprehensive benchmark for future federated learning studies in medical imaging.
- Abstract（参考訳）: フェデレートされた学習パラダイムは、医療画像分析の分野に適しており、参加者のプライバシーを保護しながら、孤立したマルチセンターデータ上の機械学習を効果的に扱うことができる。
しかしながら、連合学習における最適化アルゴリズムに関する現在の研究は、医学的文脈における比較実験が不十分な自然画像を中心に、限られたデータセットとシナリオに焦点を当てていることが多い。
本研究では,医療画像の文脈において,最先端のフェデレーション学習アルゴリズムを包括的に評価する。
複数の医用画像データセットにまたがって、様々なフェデレーション学習アルゴリズムを用いて訓練された分類モデルの公平な比較を行う。
さらに,異なるフェデレート学習アーキテクチャを考慮しつつ,通信コストや計算効率などのシステム性能指標を評価した。
その結果,医用画像データセットは,現在のフェデレート学習最適化アルゴリズムに重大な課題をもたらすことがわかった。
単一のアルゴリズムは、すべての医学的フェデレートされた学習シナリオに対して常に最適なパフォーマンスを提供しておらず、これらのデータセットに適用された場合、多くの最適化アルゴリズムは過小評価される可能性がある。
本実験は,医用画像におけるフェデレート学習の今後の研究と応用のためのベンチマークとガイダンスを提供する。
さらに,拡散確率モデルとラベルの平滑化を用いた生成手法とを併用し,様々な医用画像データセットの分類タスクにおけるフェデレート学習の性能を広く向上させる手法を提案する。
われわれのコードはGitHubでリリースされ、医用画像の今後のフェデレーション学習研究のための信頼性と総合的なベンチマークを提供する。
関連論文リスト
- Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。
トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。
最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
論文 参考訳（メタデータ） (2024-12-20T17:33:35Z) - Private, Efficient and Scalable Kernel Learning for Medical Image Analysis [1.7999333451993955]
OKRA(Orthonormal K-fRAmes)は、カーネルベースの機械学習のための新しいランダム化符号化ベースのアプローチである。
現在の最先端ソリューションと比較して、スケーラビリティとスピードが大幅に向上します。
論文 参考訳（メタデータ） (2024-10-21T10:03:03Z) - Coupling AI and Citizen Science in Creation of Enhanced Training Dataset for Medical Image Segmentation [3.7274206780843477]
我々は、AIとクラウドソーシングを組み合わせた堅牢で汎用的なフレームワークを導入し、医療画像データセットの品質と量を改善する。
当社のアプローチでは,多様なクラウドアノテータのグループによる医療画像のラベル付けを効率的に行うことができる,ユーザフレンドリーなオンラインプラットフォームを活用している。
我々は、生成AIモデルであるpix2pixGANを使用して、リアルな形態的特徴をキャプチャする合成画像を用いてトレーニングデータセットを拡張する。
論文 参考訳（メタデータ） (2024-09-04T21:22:54Z) - AliFuse: Aligning and Fusing Multi-modal Medical Data for Computer-Aided Diagnosis [1.64647940449869]
マルチモーダル医療データの整合と融合のためのトランスフォーマーベースのフレームワークであるAlifuseを提案する。
医用画像と非構造化および構造化された臨床記録を視覚と言語トークンに変換する。
Alifuseを使ってアルツハイマー病を分類し、5つのパブリックデータセットで最先端のパフォーマンスを達成し、8つのベースラインを上回ります。
論文 参考訳（メタデータ） (2024-01-02T07:28:21Z) - 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) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - 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) - ContIG: Self-supervised Multimodal Contrastive Learning for Medical
Imaging with Genetics [4.907551775445731]
本研究では、ラベルのない医療画像と遺伝データの大規模なデータセットから学習できる自己教師付き手法であるContIGを提案する。
提案手法は特徴空間における画像といくつかの遺伝的モダリティをコントラスト的損失を用いて整列させる。
また、我々のモデルで学んだ特徴に関するゲノムワイド・アソシエーション研究を行い、画像と遺伝データの間の興味深い関係を明らかにする。
論文 参考訳（メタデータ） (2021-11-26T11:06:12Z) - Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。
これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。
テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T20:05:35Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z) - Automated Pancreas Segmentation Using Multi-institutional Collaborative
Deep Learning [9.727026678755678]
本研究では,実世界における2つの機関間の連携学習を用いて,モデルを協調的に訓練する方法について検討する。
フェデレーション学習と局所訓練のみで得られたセグメンテーションモデルを定量的に比較した。
実験結果から,フェデレーション学習モデルはスタンドアロン学習よりも一般化性が高いことがわかった。
論文 参考訳（メタデータ） (2020-09-28T08:54:10Z)
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。