論文の概要: Federated Fine-tuning of SAM-Med3D for MRI-based Dementia Classification

• arxiv url: http://arxiv.org/abs/2508.21458v1
• Date: Fri, 29 Aug 2025 09:43:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.995053
• Title: Federated Fine-tuning of SAM-Med3D for MRI-based Dementia Classification
• Title（参考訳）: MRIによる認知症分類のためのSAM-Med3Dのフェデレート微調整
• Authors: Kaouther Mouheb, Marawan Elbatel, Janne Papma, Geert Jan Biessels, Jurgen Claassen, Huub Middelkoop, Barbara van Munster, Wiesje van der Flier, Inez Ramakers, Stefan Klein, Esther E. Bron,
• Abstract要約: 脳MRIデータを用いた基礎モデル(FM)チューニングにおける鍵設計選択の影響を評価する。 分類ヘッドのアーキテクチャが性能に大きく影響していることが判明した。 今後のメソッド開発を導くためのトレードオフを強調します。
• 参考スコア（独自算出の注目度）: 0.8825314772327646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While foundation models (FMs) offer strong potential for AI-based dementia diagnosis, their integration into federated learning (FL) systems remains underexplored. In this benchmarking study, we systematically evaluate the impact of key design choices: classification head architecture, fine-tuning strategy, and aggregation method, on the performance and efficiency of federated FM tuning using brain MRI data. Using a large multi-cohort dataset, we find that the architecture of the classification head substantially influences performance, freezing the FM encoder achieves comparable results to full fine-tuning, and advanced aggregation methods outperform standard federated averaging. Our results offer practical insights for deploying FMs in decentralized clinical settings and highlight trade-offs that should guide future method development.
• Abstract（参考訳）: 基礎モデル(FM)は、AIベースの認知症診断に強力な可能性を秘めているが、連邦学習(FL)システムへの統合はいまだに未熟である。 本ベンチマークでは,脳MRIデータを用いたフェデレーションFMチューニングの性能と効率に対する,分類ヘッドアーキテクチャ,微調整戦略,集約手法といった重要な設計選択の影響を系統的に評価する。 大規模なマルチコホートデータセットを用いて、分類ヘッドのアーキテクチャが性能に大きく影響し、FMエンコーダの凍結は完全な微調整に匹敵する結果となり、高度な集約法は標準フェデレーション平均よりも優れていた。 本研究は,FMを分散型臨床環境に展開するための実践的洞察を提供するとともに,今後の方法開発の指針となるトレードオフを強調した。

関連論文リスト

• EEG-FM-Bench: A Comprehensive Benchmark for the Systematic Evaluation of EEG Foundation Models [16.433809341013113]
  EEG-FM-BenchはEEG基盤モデル(EEG-FMs)の体系的および標準化された評価のための最初の総合的なベンチマークである コントリビューションは,(1)標準のEEGパラダイムからさまざまなダウンストリームタスクとデータセットをキュレートし,統一されたオープンソースフレームワーク内で標準化された処理と評価プロトコルを実装し,(2)最先端の基盤モデルをベンチマークして,現在の展望を明確化するために総合的なベースライン結果を確立すること,(3)モデル行動の洞察を提供するための質的分析を行い,将来のアーキテクチャ設計を通知すること,の3つです。
  論文  参考訳（メタデータ） (2025-08-25T07:34:33Z)
• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
  ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。 平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。 この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-09T08:06:01Z)
• Federated Learning for ICD Classification with Lightweight Models and Pretrained Embeddings [0.9668407688201359]
  本研究では,多ラベルICD符号分類におけるフェデレート学習の有効性と性能について検討した。 本稿では, シンプルな多層パーセプトロン(MLP)分類器と凍結したテキスト埋め込みを組み合わせたスケーラブルなパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-07-03T18:58:36Z)
• A Unified Benchmark of Federated Learning with Kolmogorov-Arnold Networks for Medical Imaging [3.536605202672355]
  Kolmogorov-Arnold Networks (KAN) はFederated Learning (FL) を効果的に置き換えることができる Kanは、分散医療におけるプライバシー保護医療画像アプリケーションのための、有望な代替手段だ。
  論文  参考訳（メタデータ） (2025-04-28T09:53:05Z)
• FedSynthCT-Brain: A Federated Learning Framework for Multi-Institutional Brain MRI-to-CT Synthesis [1.7239326521335454]
  Fed SynthCT-Brainは、脳画像におけるMRI-to-sCTのためのFederated Learningパラダイムに基づくアプローチである。 クロスサイロ水平FLアプローチにより、複数のセンタがU-Netベースのディープラーニングモデルを協調的にトレーニングできる。
  論文  参考訳（メタデータ） (2024-12-09T17:32:54Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• 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)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)

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。