論文の概要: PathFL: Multi-Alignment Federated Learning for Pathology Image Segmentation

• arxiv url: http://arxiv.org/abs/2505.22522v1
• Date: Wed, 28 May 2025 16:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.71846
• Title: PathFL: Multi-Alignment Federated Learning for Pathology Image Segmentation
• Title（参考訳）: PathFL: 病理画像セグメンテーションのための多官能フェデレーション学習
• Authors: Yuan Zhang, Feng Chen, Yaolei Qi, Guanyu Yang, Huazhu Fu,
• Abstract要約: 病理画像セグメンテーションのための新しいフェデレートラーニングフレームワークPathFLを提案する。 PathFLは、画像、特徴、モデルアグリゲーションの3段階のアライメント戦略を通じて、課題に対処する。
• 参考スコア（独自算出の注目度）: 40.87628787589962
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pathology image segmentation across multiple centers encounters significant challenges due to diverse sources of heterogeneity including imaging modalities, organs, and scanning equipment, whose variability brings representation bias and impedes the development of generalizable segmentation models. In this paper, we propose PathFL, a novel multi-alignment Federated Learning framework for pathology image segmentation that addresses these challenges through three-level alignment strategies of image, feature, and model aggregation. Firstly, at the image level, a collaborative style enhancement module aligns and diversifies local data by facilitating style information exchange across clients. Secondly, at the feature level, an adaptive feature alignment module ensures implicit alignment in the representation space by infusing local features with global insights, promoting consistency across heterogeneous client features learning. Finally, at the model aggregation level, a stratified similarity aggregation strategy hierarchically aligns and aggregates models on the server, using layer-specific similarity to account for client discrepancies and enhance global generalization. Comprehensive evaluations on four sets of heterogeneous pathology image datasets, encompassing cross-source, cross-modality, cross-organ, and cross-scanner variations, validate the effectiveness of our PathFL in achieving better performance and robustness against data heterogeneity.
• Abstract（参考訳）: 複数の中心にまたがる病理像のセグメンテーションは、画像のモダリティ、臓器、走査装置など多様な異種性の源であり、その可変性は表現バイアスをもたらし、一般化可能なセグメンテーションモデルの開発を妨げる。 本稿では,画像,特徴,モデルアグリゲーションの3段階のアライメント戦略を通じて,これらの課題に対処する,病理画像セグメンテーションのための新しい多元学習フレームワークPathFLを提案する。 まず、画像レベルでは、協調的なスタイル拡張モジュールがクライアント間のスタイル情報交換を容易にすることで、ローカルデータを調整・多様化する。 第二に、機能レベルでは、アダプティブな機能アライメントモジュールは、グローバルな洞察でローカルな機能を注入することで、表現空間における暗黙的なアライメントを保証する。 最後に、モデル集約レベルでは、階層化された類似性集約戦略が階層的に、クライアントの相違を考慮し、グローバルな一般化を強化するために、層固有の類似性を使用して、サーバ上のモデルを階層的に整列し集約する。 クロスソース,クロスモダリティ,クロスオーガニティ,クロススキャナの4種類の画像データセットの総合評価を行い,データヘテロジニティに対する優れた性能と堅牢性を実現する上でのPathFLの有効性を検証した。

関連論文リスト

• Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
  教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。 従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。 本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-27T13:58:12Z)
• A Multimodal Approach Combining Structural and Cross-domain Textual Guidance for Weakly Supervised OCT Segmentation [12.948027961485536]
  Weakly Supervised Semantic (WSSS) アプローチを提案する。 本手法は診断精度の向上と医用画像の効率向上に資する技術である。
  論文  参考訳（メタデータ） (2024-11-19T16:20:27Z)
• Unifying Visual and Semantic Feature Spaces with Diffusion Models for Enhanced Cross-Modal Alignment [20.902935570581207]
  本稿では,マルチモーダルアライメント・アンド・リコンストラクション・ネットワーク(MARNet)を導入し,視覚ノイズに対するモデルの耐性を高める。 MARNetは、異なるドメイン間で情報をスムーズかつ安定的にブレンドする、クロスモーダル拡散再構成モジュールを含んでいる。 2つのベンチマークデータセットであるVireo-Food172とIngredient-101で実施された実験は、MARNetがモデルによって抽出された画像情報の品質を効果的に改善することを示した。
  論文  参考訳（メタデータ） (2024-07-26T16:30:18Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• ALFA -- Leveraging All Levels of Feature Abstraction for Enhancing the Generalization of Histopathology Image Classification Across Unseen Hospitals [2.8443044931144845]
  本研究では, 画像分類の一般化性の向上を目標とし, 機能抽象化のレベルをすべて活用する包括的手法を提案する。 本手法では, テキストタスクとして機能する病理組織学シナリオにおいて, 共通の分布変化を伴う拡張ベースの自己スーパービジョンを取り入れた。
  論文  参考訳（メタデータ） (2023-08-07T22:39:44Z)
• Global-and-Local Collaborative Learning for Co-Salient Object Detection [162.62642867056385]
  Co-Salient Object Detection (CoSOD)の目標は、2つ以上の関連する画像を含むクエリグループに一般的に現れる有能なオブジェクトを見つけることである。 本稿では,グローバル対応モデリング(GCM)とローカル対応モデリング(LCM)を含む,グローバル・ローカル協調学習アーキテクチャを提案する。 提案したGLNetは3つの一般的なCoSODベンチマークデータセットに基づいて評価され、我々のモデルが小さなデータセット(約3k画像)でトレーニングされた場合、一部の大規模データセット(約8k-200k画像)でトレーニングされた11の最先端の競合製品(約8k-200k画像)を上回っていることを示す。
  論文  参考訳（メタデータ） (2022-04-19T14:32:41Z)
• Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation [46.678279106837294]
  半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。 クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T15:12:11Z)
• Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
  セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。 画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
  論文  参考訳（メタデータ） (2021-09-22T18:34:14Z)

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。