論文の概要: Impact of Labeling Inaccuracy and Image Noise on Tooth Segmentation in Panoramic Radiographs using Federated, Centralized and Local Learning
- arxiv url: http://arxiv.org/abs/2509.06553v1
- Date: Mon, 08 Sep 2025 11:07:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:04.082258
- Title: Impact of Labeling Inaccuracy and Image Noise on Tooth Segmentation in Panoramic Radiographs using Federated, Centralized and Local Learning
- Title（参考訳）: フェデレート,集中型,局所学習を用いたパノラマX線写真におけるラベルの不正確さと画像ノイズが歯のセグメンテーションに及ぼす影響
- Authors: Johan Andreas Balle Rubak, Khuram Naveed, Sanyam Jain, Lukas Esterle, Alexandros Iosifidis, Ruben Pauwels,
- Abstract要約: フェデレートラーニング(FL)は、歯科診断AIにおけるプライバシー制約、不均一なデータ品質、一貫性のないラベル付けを緩和する。
複数のデータ破損シナリオを対象としたパノラマX線撮影において,FLと集中学習(CL)と局所学習(LL)を比較した。
- 参考スコア（独自算出の注目度）: 46.232038247686745
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objectives: Federated learning (FL) may mitigate privacy constraints, heterogeneous data quality, and inconsistent labeling in dental diagnostic AI. We compared FL with centralized (CL) and local learning (LL) for tooth segmentation in panoramic radiographs across multiple data corruption scenarios. Methods: An Attention U-Net was trained on 2066 radiographs from six institutions across four settings: baseline (unaltered data); label manipulation (dilated/missing annotations); image-quality manipulation (additive Gaussian noise); and exclusion of a faulty client with corrupted data. FL was implemented via the Flower AI framework. Per-client training- and validation-loss trajectories were monitored for anomaly detection and a set of metrics (Dice, IoU, HD, HD95 and ASSD) was evaluated on a hold-out test set. From these metrics significance results were reported through Wilcoxon signed-rank test. CL and LL served as comparators. Results: Baseline: FL achieved a median Dice of 0.94889 (ASSD: 1.33229), slightly better than CL at 0.94706 (ASSD: 1.37074) and LL at 0.93557-0.94026 (ASSD: 1.51910-1.69777). Label manipulation: FL maintained the best median Dice score at 0.94884 (ASSD: 1.46487) versus CL's 0.94183 (ASSD: 1.75738) and LL's 0.93003-0.94026 (ASSD: 1.51910-2.11462). Image noise: FL led with Dice at 0.94853 (ASSD: 1.31088); CL scored 0.94787 (ASSD: 1.36131); LL ranged from 0.93179-0.94026 (ASSD: 1.51910-1.77350). Faulty-client exclusion: FL reached Dice at 0.94790 (ASSD: 1.33113) better than CL's 0.94550 (ASSD: 1.39318). Loss-curve monitoring reliably flagged the corrupted site. Conclusions: FL matches or exceeds CL and outperforms LL across corruption scenarios while preserving privacy. Per-client loss trajectories provide an effective anomaly-detection mechanism and support FL as a practical, privacy-preserving approach for scalable clinical AI deployment.
- Abstract（参考訳）: 目的: 統合学習(FL)は、歯科診断AIにおけるプライバシー制約、不均一なデータ品質、一貫性のないラベル付けを緩和する。
複数のデータ破損シナリオを対象としたパノラマX線撮影において,FLと集中学習(CL)と局所学習(LL)を比較した。
方法: 注意: U-Netは、ベースライン(修正されていないデータ)、ラベル操作(拡張/省略アノテーション)、画像品質操作(付加的なガウスノイズ)、不正なクライアントを破損したデータで除外する4つの設定からなる6つの機関の2066のラジオグラフで訓練された。
FLはFlower AIフレームワークを介して実装された。
異常検出のために, サイクルごとのトレーニング-および検証-ロストラジェクトリをモニターし, ホールドアウトテストセットで測定値(Dice, IoU, HD, HD95, ASSD)を評価した。
これらの測定値からウィルコクソン符号ランク試験により有意な結果が報告された。
CLとLLはコンパレータとして機能した。
結果: FLは0.94889(ASSD: 1.33229)、CLは0.94706(ASSD: 1.37074)、LLは0.93557-0.94026(ASSD: 1.51910-1.69777)であった。
ラベル操作:FLは0.94884(ASSD:1.46487)とCLの0.94183(ASSD:1.75738)とLLの0.93003-0.94026(ASSD:1.51910-2.11462)で最高中央値を維持した。
Image noise: FL led with Dice at 0.94853 (ASSD: 1.31088); CL score 0.94787 (ASSD: 1.36131); LL ranged from 0.93179-0.94026 (ASSD: 1.51910-1.77350)。
ASSD: 1.33113) は CL の 0.94550 (ASSD: 1.39318) より優れている。
ロスカーブの監視は、破損したサイトを確実に警告した。
結論: FLはCLと一致または超え、プライバシを保ちながら汚職シナリオでLLを上回っます。
クライアント単位の損失軌跡は効果的な異常検出機構を提供し、FLをスケーラブルな臨床AIデプロイメントのための実用的でプライバシ保護のアプローチとしてサポートする。
関連論文リスト
- ObjexMT: Objective Extraction and Metacognitive Calibration for LLM-as-a-Judge under Multi-Turn Jailbreaks [12.396822247035578]
クロードソネット4は、最高の客観的抽出精度(0.515)とキャリブレーション(ECE 0.296; Brier 0.324)を得る
実行可能であれば目標を公開し、それ以外は信頼による決定を下すことを推奨します。
論文 参考訳（メタデータ） (2025-08-23T03:32:04Z) - CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。
次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。
画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
論文 参考訳（メタデータ） (2025-02-25T13:09:34Z) - Towards a Trustworthy Anomaly Detection for Critical Applications through Approximated Partial AUC Loss [2.09942566943801]
2値分類器は、偽陽性率(FPR)を最小化しつつ、真陽性率(TPR)が100%に達するのを防ぐAUC ROC曲線の特定の範囲を最適化するために訓練される。
その結果、TPRは6つのデータセットで平均20.43%のFPRで92.52%向上し、他の最先端の方法と比較して12.2%のFPRコストで4.3%改善した。
論文 参考訳（メタデータ） (2025-02-17T08:59:59Z) - SoftPatch+: Fully Unsupervised Anomaly Classification and Segmentation [84.07909405887696]
本論文は、完全教師なし産業異常検出(すなわち、ノイズデータ付き教師なしAD)を初めて検討したものである。
メモリベースの非教師なしAD手法であるSoftPatchとSoftPatch+を提案する。
既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
様々なノイズシナリオで実施された総合的な実験により、SoftPatchとSoftPatch+はMVTecAD、ViSA、BTADのベンチマークで最先端のADメソッドよりも優れていた。
論文 参考訳（メタデータ） (2024-12-30T11:16:49Z) - Average Calibration Error: A Differentiable Loss for Improved Reliability in Image Segmentation [15.802559423418804]
本稿では,L1平均キャリブレーション誤差(mL1-ACE)を新たな補助損失関数として用いて,セグメンテーション品質を損なうことなく画素ワイドキャリブレーションを改善することを提案する。
この損失は、ハード・ビンニングを用いても直接微分可能であり、近似的ではあるが微分可能なサロゲートやソフト・ビンニングのアプローチを回避できることが示される。
論文 参考訳（メタデータ） (2024-03-11T14:31:03Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - LoMar: A Local Defense Against Poisoning Attack on Federated Learning [22.798328772844805]
フェデレートラーニング(FL)は、高効率な分散機械学習フレームワークを提供する。
近年の研究では、このアプローチはリモートクライアント側からの攻撃に影響を受けやすいことが示されている。
局所悪性因子(LoMar)と呼ばれる2相防御アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-01-08T18:28:31Z)
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。