Fugu-MT 論文翻訳(概要): Federated Client-tailored Adapter for Medical Image Segmentation

論文の概要: Federated Client-tailored Adapter for Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2504.18020v1
Date: Fri, 25 Apr 2025 02:20:25 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.612311
Title: Federated Client-tailored Adapter for Medical Image Segmentation
Title（参考訳）: 医用画像分割用Federated Client-tailored Adapter
Authors: Guyue Hu, Siyuan Song, Yukun Kang, Zhu Yin, Gangming Zhao, Chenglong Li, Jin Tang,
Abstract要約: 医用画像セグメンテーションのための新しいFCAフレームワークを提案する。 FCAは、機密なローカルデータを共有せずに、安定かつクライアントに適したセグメンテーションを実現する。我々は、アダプタを共通コンポーネントと個別コンポーネントに適応的に分解する2つのクライアント調整されたフェデレーション更新戦略を開発する。
参考スコア（独自算出の注目度）: 21.964553228831427
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Medical image segmentation in X-ray images is beneficial for computer-aided diagnosis and lesion localization. Existing methods mainly fall into a centralized learning paradigm, which is inapplicable in the practical medical scenario that only has access to distributed data islands. Federated Learning has the potential to offer a distributed solution but struggles with heavy training instability due to client-wise domain heterogeneity (including distribution diversity and class imbalance). In this paper, we propose a novel Federated Client-tailored Adapter (FCA) framework for medical image segmentation, which achieves stable and client-tailored adaptive segmentation without sharing sensitive local data. Specifically, the federated adapter stirs universal knowledge in off-the-shelf medical foundation models to stabilize the federated training process. In addition, we develop two client-tailored federated updating strategies that adaptively decompose the adapter into common and individual components, then globally and independently update the parameter groups associated with common client-invariant and individual client-specific units, respectively. They further stabilize the heterogeneous federated learning process and realize optimal client-tailored instead of sub-optimal global-compromised segmentation models. Extensive experiments on three large-scale datasets demonstrate the effectiveness and superiority of the proposed FCA framework for federated medical segmentation.
Abstract（参考訳）: X線画像における医用画像のセグメンテーションは、コンピュータ支援による診断と病変の局所化に有用である。既存の手法は主に中央集権的な学習パラダイムに陥り、分散データ島にしかアクセスできない実践的な医療シナリオでは適用できない。フェデレーテッド・ラーニングは分散ソリューションを提供する可能性があるが、クライアント側のドメインの不均一性(分散の多様性やクラスの不均衡を含む)による重いトレーニングの不安定性に苦慮している。本稿では,医用画像セグメンテーションのための新しいFCAフレームワークを提案する。具体的には、フェデレートされたアダプタは、市販の医療基礎モデルの普遍的な知識をかき混ぜて、フェデレーションされたトレーニングプロセスを安定化させる。さらに, 適応的にアダプタを共通コンポーネントと個別コンポーネントに分解する2つのクライアント対応フェデレーション更新戦略を開発し, そして, 共通クライアント不変および個別クライアント固有ユニットに関連するパラメータ群を, それぞれグローバルかつ独立に更新する。さらに、不均質なフェデレーション学習プロセスを安定化させ、準最適大域的セグメンテーションモデルの代わりに最適なクライアント調整を実現する。 3つの大規模データセットに対する大規模な実験は、フェデレート医療セグメント化のための提案されたFCAフレームワークの有効性と優位性を示している。

関連論文リスト

FedSCA: Federated Tuning with Similarity-guided Collaborative Aggregation for Heterogeneous Medical Image Segmentation [14.113755905200009]
トランスフォーマーベースファンデーションモデル (FM) は近年, 医用画像のセグメンテーションにおいて顕著な性能を示した。しかし、分離病院内の医療画像データセットが限られているため、これらのモデルをスケールすることは困難である。本稿では,UnderlinetextbfCollaborative UnderlinetextbfAggregation (FedSCA)を用いたFLFMファインチューニングフレームワークを提案する。
論文参考訳（メタデータ） (2025-03-19T16:27:29Z)
Client-Centric Federated Adaptive Optimization [78.30827455292827]
Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
論文参考訳（メタデータ） (2025-01-17T04:00:50Z)
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)
Rethinking Semi-Supervised Federated Learning: How to co-train fully-labeled and fully-unlabeled client imaging data [6.322831694506287]
分離フェデレートラーニング(IsoFed)は、半教師付きフェデレートラーニング(SSFL)に特化して設計されたラーニングスキームである。本稿では,教師付きモデルと半教師付きモデルの簡易な平均化を回避し,SSFLに特化して設計した新しい学習手法を提案する。特に、我々のトレーニングアプローチは、(a)ラベル付きおよびラベルなしのクライアントモデルの独立したアグリゲーションと、(b)すべてのクライアントで独立したグローバルモデルのローカルな自己教師付き事前トレーニングという2つの部分で構成されています。
論文参考訳（メタデータ） (2023-10-28T20:41:41Z)
Towards Instance-adaptive Inference for Federated Learning [80.38701896056828]
Federated Learning(FL)は、複数のクライアントがローカルトレーニングを集約することで、強力なグローバルモデルを学ぶことができる分散学習パラダイムである。本稿では,FedInsという新しいFLアルゴリズムを提案する。我々のFedInsは、Tiny-ImageNet上での通信コストが15%未満で、トップパフォーマンスの手法に対して6.64%の改善など、最先端のFLアルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2023-08-11T09:58:47Z)
FCA: Taming Long-tailed Federated Medical Image Classification by Classifier Anchoring [26.07488492998861]
フェデレートラーニング(Federated Learning)は、データを共有することなく、ディープモデルを協調的にトレーニングすることを可能にする。我々は、各クライアントにパーソナライズされた分類器を追加して、フェデレーションモデルのガイドとデバイアスを行うことにより、フェデレーション分類器アンカー(FCA)を提案する。 FCAは、連合型長い尾状皮膚病変の分類と頭蓋内出血の分類において、大きなマージンを有する最先端の方法よりも優れている。
論文参考訳（メタデータ） (2023-05-01T09:36:48Z)
IOP-FL: Inside-Outside Personalization for Federated Medical Image Segmentation [18.65229252289727]
フェデレートラーニング(Federated Learning)は、複数の医療機関がクライアントデータを集中せずにグローバルなモデルを共同で学習することを可能にする。 We propose a novel unified framework for textitInside and Outside model Personalization in FL (IOP-FL)。 2つの医用画像分割作業に関する実験結果から, 内面および外面の個人化におけるSOTA法よりも有意な改善が認められた。
論文参考訳（メタデータ） (2022-04-16T08:26:19Z)
FedDC: Federated Learning with Non-IID Data via Local Drift Decoupling and Correction [48.85303253333453]
フェデレートラーニング(FL)は、複数のクライアントがプライベートデータを共有せずに、高性能なグローバルモデルを集合的にトレーニングすることを可能にする。局所的ドリフトデカップリングと補正(FedDC)を用いた新しいフェデレーション学習アルゴリズムを提案する。私たちのFedDCでは、ローカルモデルパラメータとグローバルモデルパラメータのギャップを追跡するために、各クライアントが補助的なローカルドリフト変数を使用するような、ローカルトレーニングフェーズにおける軽量な修正のみを導入しています。実験結果と解析結果から,FedDCは様々な画像分類タスクにおいて,収差の迅速化と性能の向上を図っている。
論文参考訳（メタデータ） (2022-03-22T14:06:26Z)
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)
Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文参考訳（メタデータ） (2021-06-16T07:58:00Z)
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。