論文の概要: Enhancing Privacy Preservation and Reducing Analysis Time with Federated Transfer Learning in Digital Twins-based Computed Tomography Scan Analysis

• arxiv url: http://arxiv.org/abs/2509.08018v1
• Date: Tue, 09 Sep 2025 04:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.204774
• Title: Enhancing Privacy Preservation and Reducing Analysis Time with Federated Transfer Learning in Digital Twins-based Computed Tomography Scan Analysis
• Title（参考訳）: デジタル双極子を用いたCT画像解析におけるプライバシー保護の強化とフェデレーション・トランスファー学習による分析時間短縮
• Authors: Avais Jan, Qasim Zia, Murray Patterson,
• Abstract要約: 本稿では,新しいDigital TwinベースのCTスキャン解析パラダイムとしてフェデレーション・トランスファー・ラーニング(FTL)を提案する。 FTLは、データプライバシ、限られたコンピューティングリソース、データ不均一性などの問題を解決するために、事前訓練されたモデルとピアノード間の知識伝達を使用する。 従来のFL法やクラスタ化フェデレートラーニング法(CFL)よりも精度、精度、リコール、F1スコアがよいことが示されている。
• 参考スコア（独自算出の注目度）: 2.0327514588332996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The application of Digital Twin (DT) technology and Federated Learning (FL) has great potential to change the field of biomedical image analysis, particularly for Computed Tomography (CT) scans. This paper presents Federated Transfer Learning (FTL) as a new Digital Twin-based CT scan analysis paradigm. FTL uses pre-trained models and knowledge transfer between peer nodes to solve problems such as data privacy, limited computing resources, and data heterogeneity. The proposed framework allows real-time collaboration between cloud servers and Digital Twin-enabled CT scanners while protecting patient identity. We apply the FTL method to a heterogeneous CT scan dataset and assess model performance using convergence time, model accuracy, precision, recall, F1 score, and confusion matrix. It has been shown to perform better than conventional FL and Clustered Federated Learning (CFL) methods with better precision, accuracy, recall, and F1-score. The technique is beneficial in settings where the data is not independently and identically distributed (non-IID), and it offers reliable, efficient, and secure solutions for medical diagnosis. These findings highlight the possibility of using FTL to improve decision-making in digital twin-based CT scan analysis, secure and efficient medical image analysis, promote privacy, and open new possibilities for applying precision medicine and smart healthcare systems.
• Abstract（参考訳）: デジタルツイン(DT)技術とフェデレートラーニング(FL)の応用は、特にCTスキャンにおいて生体画像解析の分野を変える大きな可能性を秘めている。 本稿では,新しいDigital TwinベースのCTスキャン解析パラダイムとしてフェデレーション・トランスファー・ラーニング(FTL)を提案する。 FTLは、データプライバシ、限られたコンピューティングリソース、データ不均一性などの問題を解決するために、事前訓練されたモデルとピアノード間の知識伝達を使用する。 提案フレームワークは,患者の身元を保護しながら,クラウドサーバとDigital Twin対応CTスキャナのリアルタイムコラボレーションを可能にする。 ヘテロジニアスCTスキャンデータセットにFTL法を適用し,収束時間,モデル精度,精度,リコール,F1スコア,混乱行列を用いてモデル性能を評価する。 従来のFL法やクラスタ化フェデレートラーニング法(CFL)よりも精度、精度、リコール、F1スコアがよいことが示されている。 この技術は、データが独立して均等に分散されていない(非IID)環境では有用であり、信頼性があり、効率的で安全な医療診断ソリューションを提供する。 これらの知見は、デジタルツインベースのCTスキャン分析における意思決定の改善、安全で効率的な医療画像解析、プライバシーの促進、精密医療やスマートヘルスケアシステムに適用する新たな可能性の開放にFTLを使用することの可能性を強調している。

関連論文リスト

• Brain Stroke Detection and Classification Using CT Imaging with Transformer Models and Explainable AI [0.0]
  本研究では,CTスキャン画像を用いたマルチクラス脳卒中分類のための人工知能フレームワークを提案する。 提案手法は,画像ベースストローク分類の深層学習モデルとして,最先端のビジョン変換器であるMaxViTを採用した。 モデル一般化とアドレスクラス不均衡を改善するため,データ拡張手法を適用した。
  論文  参考訳（メタデータ） (2025-07-13T13:50:50Z)
• DISARM++: Beyond scanner-free harmonization [0.0]
  異なるスキャナー間でのT1強調MR画像の調和は、ニューロイメージング研究における一貫性の確保に不可欠である。 本研究は,抽出した特徴が下流解析に本質的に信頼性を保ち続けることを保証するために,特徴の標準化を超えて,画像調和の新たなアプローチを提案する。 本手法は,(1) イメージをスキャナのない空間にマッピングすることで,すべてのスキャナに一様に見えるようにし,(2) イメージをモデルトレーニングに使用する特定のスキャナの領域に変換し,その特徴を埋め込むという2つの方法を実現する。
  論文  参考訳（メタデータ） (2025-05-06T17:36:49Z)
• Federated Learning for Coronary Artery Plaque Detection in Atherosclerosis Using IVUS Imaging: A Multi-Hospital Collaboration [8.358846277772779]
  経皮的冠動脈インターベンション(PCI)における血管内超音波(IVUS)画像の従来的解釈は時間集約的かつ矛盾する。 多段階セグメンテーションアーキテクチャを持つ並列2次元U-Netモデルを開発した。 0.706のDice similarity Coefficient (DSC) は、プラークを効果的に識別し、リアルタイムで円形の境界を検出する。
  論文  参考訳（メタデータ） (2024-12-19T13:06:28Z)
• Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning [67.49221252724229]
  E-Healthは、スマートデバイスや医療機関が患者のデータを共同で収集することを可能にする。 eヘルスにフェデレートされた学習を適用することは、多くの課題に直面します。 医療データは水平および垂直に分割される。 HFLとVFLの単純な組み合わせには、訓練効率の低下、難聴収束分析、パラメータチューニング戦略の欠如など、制限がある。
  論文  参考訳（メタデータ） (2024-04-15T19:45:07Z)
• Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection [11.980634373191542]
  分散トレーニングは、大規模な医用画像データセットの処理を容易にし、疾患診断の精度と効率を向上させる。 本稿では,データプライバシと効率的な疾患診断という2つの課題に対処するために,Federated Learning(FL)を活用した医用画像分類の革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-15T09:07:19Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• CT-SGAN: Computed Tomography Synthesis GAN [4.765541373485143]
  胸部CTスキャンの小さなデータセットを用いて,大規模な3次元合成CTスキャンボリュームを生成するCT-SGANモデルを提案する。 その結果,CT-SGANは大量の合成データに基づいて結節を事前訓練することにより,肺検出精度を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-10-14T22:20:40Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital Contact Tracing [68.68882022019272]
  COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。 1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
  論文  参考訳（メタデータ） (2020-10-30T00:47:01Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)

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。