論文の概要: Federated Foundation Model for GI Endoscopy Images

• arxiv url: http://arxiv.org/abs/2505.24108v2
• Date: Fri, 06 Jun 2025 01:08:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.024767
• Title: Federated Foundation Model for GI Endoscopy Images
• Title（参考訳）: GI内視鏡画像のフェデレーションモデル
• Authors: Alina Devkota, Annahita Amireskandari, Joel Palko, Shyam Thakkar, Donald Adjeroh, Xiajun Jiang, Binod Bhattarai, Prashnna K. Gyawali,
• Abstract要約: ファンデーションモデルは汎用表現を学習することで有望なソリューションを提供する。 ファンデーションモデルトレーニングは通常、広範なデータセットを必要とし、病院は大量のデータを生成するが、プライバシー制限は直接的なデータ共有を妨げている。 本稿では,腹腔鏡画像の基礎モデルをトレーニングするためのFLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.9528382609447545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gastrointestinal (GI) endoscopy is essential in identifying GI tract abnormalities in order to detect diseases in their early stages and improve patient outcomes. Although deep learning has shown success in supporting GI diagnostics and decision-making, these models require curated datasets with labels that are expensive to acquire. Foundation models offer a promising solution by learning general-purpose representations, which can be finetuned for specific tasks, overcoming data scarcity. Developing foundation models for medical imaging holds significant potential, but the sensitive and protected nature of medical data presents unique challenges. Foundation model training typically requires extensive datasets, and while hospitals generate large volumes of data, privacy restrictions prevent direct data sharing, making foundation model training infeasible in most scenarios. In this work, we propose a FL framework for training foundation models for gastroendoscopy imaging, enabling data to remain within local hospital environments while contributing to a shared model. We explore several established FL algorithms, assessing their suitability for training foundation models without relying on task-specific labels, conducting experiments in both homogeneous and heterogeneous settings. We evaluate the trained foundation model on three critical downstream tasks--classification, detection, and segmentation--and demonstrate that it achieves improved performance across all tasks, highlighting the effectiveness of our approach in a federated, privacy-preserving setting.
• Abstract（参考訳）: 消化管内視鏡検査は,早期の疾患の発見と患者の予後改善に不可欠である。 ディープラーニングは、GI診断と意思決定をサポートすることに成功しているが、これらのモデルは、取得するのに高価なラベル付きキュレートデータセットを必要とする。 ファンデーションモデルは汎用表現を学習することで有望なソリューションを提供する。 医用画像の基礎モデルの開発は大きな可能性を秘めているが、医療データの敏感で保護された性質はユニークな課題である。 基礎モデルトレーニングは通常、広範なデータセットを必要とし、病院は大量のデータを生成するが、プライバシー制限は直接的なデータ共有を防ぎ、基礎モデルトレーニングがほとんどのシナリオで実現不可能である。 本研究では,腹腔鏡画像の基礎モデルをトレーニングするためのFLフレームワークを提案する。 確立されたFLアルゴリズムを探索し、タスク固有のラベルを頼らずに基礎モデルの学習適性を評価し、均質な設定と不均一な設定の両方で実験を行う。 我々は,3つの重要な下流タスク-分類,検出,セグメンテーション-に基づいて,トレーニングされた基礎モデルを評価し,すべてのタスクにおけるパフォーマンス向上を実証し,フェデレートされたプライバシ保護環境でのアプローチの有効性を強調した。

関連論文リスト

• FedEFM: Federated Endovascular Foundation Model with Unseen Data [11.320026809291239]
  本稿では,血管内介入のための分散化フェデレーション学習環境における基礎モデルを学習するための新しい手法を提案する。 我々は、知識蒸留の枠組みの中で、微分可能なアース・マーバーの距離を用いて、目に見えないデータ問題に取り組む。 本研究は, 血管内挿術とロボット支援手術の進歩に寄与し, 新たな最先端の成果が得られた。
  論文  参考訳（メタデータ） (2025-01-28T14:46:38Z)
• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• Day-Night Adaptation: An Innovative Source-free Adaptation Framework for Medical Image Segmentation [51.520294290813865]
  そこで我々は,DyNA(Day-Night Adaptation)と呼ばれる新しい適応フレームワークを提案する。 日中は、各テストサンプルに凍結モデルを適用するために、低周波プロンプトが訓練される。 夜間,日中から収集したテストデータを再利用し,教師モデルと学生モデルとの知識を橋渡しするグローバルな学生モデルを導入する。
  論文  参考訳（メタデータ） (2024-10-17T12:02:29Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• Learning to Adapt Foundation Model DINOv2 for Capsule Endoscopy Diagnosis [36.403320243871526]
  カスタマイズを容易にするローランク適応(LoRA)技術を用いたアダプティブ基礎モデル(Adapt foundation model)という簡易なアプローチを導入する。 従来の微調整方法とは異なり、我々は特定の外科領域の知識を吸収するように設計されたLoRAレイヤーを含む。 本ソリューションは,カプセル内視鏡診断に基礎モデルを適用できることを実証するものである。
  論文  参考訳（メタデータ） (2024-06-15T05:21:33Z)
• MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification [41.16626194300303]
  ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。 最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。 しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
  論文  参考訳（メタデータ） (2023-06-16T01:46:07Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Label-Efficient Self-Supervised Federated Learning for Tackling Data Heterogeneity in Medical Imaging [23.08596805950814]
  医用画像解析のための頑健でラベル効率の良い自己教師型FLフレームワークを提案する。 具体的には,既存のFLパイプラインに分散自己教師型事前学習パラダイムを導入する。 自己教師付きFLアルゴリズムは,分布外データに対してよく一般化し,限定ラベルのシナリオにおいてより効果的にフェデレーションモデルを学習することを示す。
  論文  参考訳（メタデータ） (2022-05-17T18:33:43Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)

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。