論文の概要: Federative ischemic stroke segmentation as alternative to overcome domain-shift multi-institution challenges
- arxiv url: http://arxiv.org/abs/2508.18296v1
- Date: Fri, 22 Aug 2025 15:27:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-27 17:42:38.500827
- Title: Federative ischemic stroke segmentation as alternative to overcome domain-shift multi-institution challenges
- Title（参考訳）: ドメインシフト多施設課題を克服する代替手段としてのフェデレーティブ虚血性脳卒中セグメンテーション
- Authors: Edgar Rangel, Fabio Martinez,
- Abstract要約: 本研究は、深部中心非依存表現からの知識を共有することにより、DWI配列における虚血性脳梗塞の分節化のための枠組みを開発した。
モデルでは,各病変群で一様性を示し,分布外センターで信頼性の高い性能を示した。
- 参考スコア（独自算出の注目度）: 1.0742675209112622
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Stroke is the second leading cause of death and the third leading cause of disability worldwide. Clinical guidelines establish diffusion resonance imaging (DWI, ADC) as the standard for localizing, characterizing, and measuring infarct volume, enabling treatment support and prognosis. Nonetheless, such lesion analysis is highly variable due to different patient demographics, scanner vendors, and expert annotations. Computational support approaches have been key to helping with the localization and segmentation of lesions. However, these strategies are dedicated solutions that learn patterns from only one institution, lacking the variability to generalize geometrical lesions shape models. Even worse, many clinical centers lack sufficient labeled samples to adjust these dedicated solutions. This work developed a collaborative framework for segmenting ischemic stroke lesions in DWI sequences by sharing knowledge from deep center-independent representations. From 14 emulated healthcare centers with 2031 studies, the FedAvg model achieved a general DSC of $0.71 \pm 0.24$, AVD of $5.29 \pm 22.74$, ALD of $2.16 \pm 3.60$ and LF1 of $0.70 \pm 0.26$ over all centers, outperforming both the centralized and other federated rules. Interestingly, the model demonstrated strong generalization properties, showing uniform performance across different lesion categories and reliable performance in out-of-distribution centers (with DSC of $0.64 \pm 0.29$ and AVD of $4.44 \pm 8.74$ without any additional training).
- Abstract（参考訳）: ストロークは2番目に大きな死因であり、世界で3番目に大きな障害の原因である。
臨床ガイドラインは、拡散共鳴イメージング(DWI, ADC)を梗塞体積の局在化、特徴化、測定の標準として確立し、治療支援と予後を可能とした。
それにもかかわらず、このような病変の分析は、患者人口、スキャナーベンダー、専門家のアノテーションなどによって非常に異なる。
コンピュータ支援アプローチは、病変の局在化とセグメンテーションを支援する上で重要である。
しかし、これらの戦略は1つの施設のみからパターンを学習する専用ソリューションであり、幾何学的病変の形状モデルを一般化する変動性に欠ける。
さらに悪いことに、多くの臨床センターはこれらの専用のソリューションを調整するのに十分なラベル付きサンプルを持っていない。
本研究は、深部中心非依存表現からの知識を共有することにより、DWI配列における虚血性脳梗塞の分節化のための協調的枠組みを開発した。
2031年の研究による14のエミュレートされた医療センターから、FedAvgモデルは、0.71$pm 0.24$、AVD$5.29$pm 22.74$、ALD$2.16$pm 3.60$、LF1$0.70$pm 0.26$を全センターで達成し、中央集権的およびその他の連邦規則より優れている。
興味深いことに、このモデルは強い一般化特性を示し、様々な病変のカテゴリにまたがって均一な性能を示し、アウト・オブ・ディストリビューションセンター(DSCは0.64 pm 0.29$、AVDは4.44 pm 8.74$)で信頼性の高い性能を示した。
関連論文リスト
- A Privacy-Preserving Federated Learning Framework for Generalizable CBCT to Synthetic CT Translation in Head and Neck [0.0]
Cone-beam CT(CBCT)は画像誘導放射線療法(IGRT)において広く採用されている。
頭頸部領域におけるCBCT-to-sCT合成のためのクロスサイロ水平フェデレーションラーニング(FL)手法を提案する。
論文 参考訳（メタデータ） (2025-06-10T10:10:56Z) - Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。
本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
論文 参考訳（メタデータ） (2025-02-07T21:09:05Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - The state-of-the-art 3D anisotropic intracranial hemorrhage segmentation
on non-contrast head CT: The INSTANCE challenge [19.72232714668029]
INSTANCE 2022は、2022年の医用画像コンピューティングとコンピュータ支援介入に関する国際会議(MICCAI)と共同で開催された大きな課題である。
以上の課題を解決し,脳内出血セグメンテーションと異方性データ処理の開発を促進することを目的としている。
勝者法は平均DSC0.6925を達成し,提案法よりも有意な成長を示した。
論文 参考訳（メタデータ） (2023-01-09T11:48:05Z) - Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with
Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。
このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。
25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2022-06-27T06:51:48Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳（メタデータ） (2021-08-31T08:23:56Z) - An Adversarial Domain Separation Framework for Septic Shock Early
Prediction Across EHR Systems [7.058760708627898]
本稿では,異なる医療システムから収集したEHRの2つのカテゴリの相違に対処する汎用ドメイン適応(DA)フレームワークを提案する。
本研究は,米国における異なる医療システムから得られた2つの現実的 EHR を用いて,極めて困難な症状である敗血症性ショックの早期診断のための枠組みを評価する。
論文 参考訳（メタデータ） (2020-10-26T23:41:33Z) - CHAOS Challenge -- Combined (CT-MR) Healthy Abdominal Organ Segmentation [7.429032855333529]
CHAOSは、健常者からの腹部CTとMRデータの両方を提供し、腹腔内臓器の分節化を図っている。
5つの異なる補完的なタスクは、複数の視点から現在のアプローチの能力を分析するように設計されている。
分析の結果,単一モード (CT / MR) におけるDLモデルの性能は,信頼性の高いボリューム解析性能 (DICE: 0.98 $pm$ 0.00 / 0.95 $pm$ 0.01) を示すことができたが,最高の MSSD 性能は依然として制限されている (21.89 $pm$ 13.94 / 20.85 $pm$pm$ 10.63 mm)。
論文 参考訳（メタデータ） (2020-01-17T21:11:46Z)
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。