論文の概要: FedCLAM: Client Adaptive Momentum with Foreground Intensity Matching for Federated Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2506.22580v1
• Date: Fri, 27 Jun 2025 18:52:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.474735
• Title: FedCLAM: Client Adaptive Momentum with Foreground Intensity Matching for Federated Medical Image Segmentation
• Title（参考訳）: FedCLAM:Federated Medical Image Segmentationのための前景強度マッチングを用いたクライアント適応型モーメント
• Authors: Vasilis Siomos, Jonathan Passerat-Palmbach, Giacomo Tarroni,
• Abstract要約: フェデレートラーニング(Federated Learning)は、データをステークホルダーのコントロール下に置くための分散トレーニングアプローチであり、独立したトレーニングよりも優れたパフォーマンスを達成する。 本稿では,各クライアントの局所学習における損失削減から導かれるテキスト従順適応モーメント項を統合したFedCLAMを提案する。 また,不均質な画像強度プロファイルを扱うために,予測値と地上構造分布とを一致させる新たなテクスティインテンシティアライメント・アライメント・ロスを導入する。
• 参考スコア（独自算出の注目度）: 1.3648994265360435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning is a decentralized training approach that keeps data under stakeholder control while achieving superior performance over isolated training. While inter-institutional feature discrepancies pose a challenge in all federated settings, medical imaging is particularly affected due to diverse imaging devices and population variances, which can diminish the global model's effectiveness. Existing aggregation methods generally fail to adapt across varied circumstances. To address this, we propose FedCLAM, which integrates \textit{client-adaptive momentum} terms derived from each client's loss reduction during local training, as well as a \textit{personalized dampening factor} to curb overfitting. We further introduce a novel \textit{intensity alignment} loss that matches predicted and ground-truth foreground distributions to handle heterogeneous image intensity profiles across institutions and devices. Extensive evaluations on two datasets show that FedCLAM surpasses eight cutting-edge methods in medical segmentation tasks, underscoring its efficacy. The code is available at https://github.com/siomvas/FedCLAM.
• Abstract（参考訳）: フェデレートラーニング(Federated Learning)は、データをステークホルダーのコントロール下に置くための分散トレーニングアプローチであり、独立したトレーニングよりも優れたパフォーマンスを達成する。 施設間特徴差は、すべてのフェデレーション設定において課題となるが、医療画像は様々なイメージング装置と人口のばらつきにより特に影響を受け、グローバルモデルの有効性を低下させる可能性がある。 既存のアグリゲーション手法は、様々な状況に適応できないのが一般的である。 これを解決するためにFedCLAMを提案する。これは、各クライアントが局所訓練中に損失を減らしたことに由来する \textit{client-adaptive momentum} 用語と、過剰適合を抑制するために \textit{personalized dampening factor} を統合したものである。 さらに,予測値と地平線前景分布とを一致させて,施設や機器間の異種画像強度プロファイルを処理できる新しい‘textit{intensityaligned}ロスを導入する。 2つのデータセットの大規模な評価は、FedCLAMが医療セグメンテーションタスクにおいて8つの最先端メソッドを超え、その効果を裏付けていることを示している。 コードはhttps://github.com/siomvas/FedCLAMで公開されている。

関連論文リスト

• Federated Client-tailored Adapter for Medical Image Segmentation [21.964553228831427]
  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。
  論文  参考訳（メタデータ） (2025-04-25T02:20:25Z)
• 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)
• Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
  我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。 我々は、FedMRがはるかに高い精度と通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行います。
  論文  参考訳（メタデータ） (2024-05-29T10:56:13Z)
• Federated Meta-Learning for Few-Shot Fault Diagnosis with Representation Encoding [21.76802204235636]
  本稿では,数発の故障診断のための表現符号化ベースフェデレーションメタラーニング(REFML)を提案する。 REFMLは、トレーニングクライアントの固有の一般化を活用して、効果的に、アウト・オブ・ディストリビューションの利点に変換する。 同じ機器の非表示作業条件でテストすると2.17%-6.50%、全く見えない機器でテストすると13.44%-18.33%の精度で精度が向上する。
  論文  参考訳（メタデータ） (2023-10-13T10:48:28Z)
• Unifying and Personalizing Weakly-supervised Federated Medical Image Segmentation via Adaptive Representation and Aggregation [1.121358474059223]
  フェデレートラーニング(FL)は、データプライバシとセキュリティを損なうことなく、複数のサイトが協力して強力なディープモデルをトレーニングすることを可能にする。 微粒な監督を施した弱く監督されたセグメンテーションは、アノテーションコストを下げる大きな可能性を秘めているため、ますます注目されている。 医用画像セグメンテーションのための新しいFLフレームワークであるFedICRAを提案する。
  論文  参考訳（メタデータ） (2023-04-12T06:32:08Z)
• FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning [87.08902493524556]
  フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。 我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。 そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
  論文  参考訳（メタデータ） (2022-07-20T04:55:18Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• 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)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)

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。