論文の概要: Pancreas Part Segmentation under Federated Learning Paradigm

• arxiv url: http://arxiv.org/abs/2509.23562v1
• Date: Sun, 28 Sep 2025 01:42:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.290404
• Title: Pancreas Part Segmentation under Federated Learning Paradigm
• Title（参考訳）: フェデレートラーニングパラダイムによる膵部分分画
• Authors: Ziliang Hong, Halil Ertugrul Aktas, Andrea Mia Bejar, Katherine Wu, Hongyi Pan, Gorkem Durak, Zheyuan Zhang, Sait Kayali, Temel Tirkes, Federica Proietto Salanitri, Concetto Spampinato, Michael Goggins, Tamas Gonda, Candice Bolan, Raj Keswani, Frank Miller, Michael Wallace, Ulas Bagci,
• Abstract要約: MRIにおける膵部分(頭部,体,尾部)分節に対する初回フェデレートラーニング(FL)アプローチを提案する。 このコントリビューションは、まずは、MRIにおける膵部分のデライン化の技術的複雑さと、それ以前のアプローチを妨げるデータ不足の問題の2つの根本的な課題に対処する。 直接データを共有することなく、7つの医療機関間で協調的なモデルトレーニングを可能にするプライバシー保護FLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.670706296080084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the first federated learning (FL) approach for pancreas part(head, body and tail) segmentation in MRI, addressing a critical clinical challenge as a significant innovation. Pancreatic diseases exhibit marked regional heterogeneity cancers predominantly occur in the head region while chronic pancreatitis causes tissue loss in the tail, making accurate segmentation of the organ into head, body, and tail regions essential for precise diagnosis and treatment planning. This segmentation task remains exceptionally challenging in MRI due to variable morphology, poor soft-tissue contrast, and anatomical variations across patients. Our novel contribution tackles two fundamental challenges: first, the technical complexity of pancreas part delineation in MRI, and second the data scarcity problem that has hindered prior approaches. We introduce a privacy-preserving FL framework that enables collaborative model training across seven medical institutions without direct data sharing, leveraging a diverse dataset of 711 T1W and 726 T2W MRI scans. Our key innovations include: (1) a systematic evaluation of three state-of-the-art segmentation architectures (U-Net, Attention U-Net,Swin UNETR) paired with two FL algorithms (FedAvg, FedProx), revealing Attention U-Net with FedAvg as optimal for pancreatic heterogeneity, which was never been done before; (2) a novel anatomically-informed loss function prioritizing region-specific texture contrasts in MRI. Comprehensive evaluation demonstrates that our approach achieves clinically viable performance despite training on distributed, heterogeneous datasets.
• Abstract（参考訳）: 我々は,MRIにおける膵部分(頭部,体,尾部)分節に対するFLアプローチを初めて提示し,重要な革新として重要な臨床課題に対処した。 膵疾患は頭部に顕著な異質性癌がみられ, 慢性膵炎では尾部組織が消失し, 頭部, 体, 尾部への正確な分節が, 正確な診断と治療計画に必須である。 このセグメンテーションの課題は、MRIでは変化形態、ソフト・タイピングのコントラストの低さ、患者間の解剖学的変化のために、非常に困難なままである。 新たなコントリビューションは2つの根本的な課題に取り組みます。ひとつは、MRIにおける膵部分のデライン化の技術的複雑さ、もうひとつは、これまでのアプローチを妨げてきたデータ不足の問題です。 我々は、7つの医療機関間で直接データ共有なしに協調的なモデルトレーニングを可能にするプライバシー保護FLフレームワークを導入し、711 T1Wと726 T2W MRIスキャンの多様なデータセットを活用する。 U-Net, Attention U-Net, Swin UNETR) と 2 つのFLアルゴリズム (FedAvg, FedProx) を組み合わせた3つの最先端セグメンテーションアーキテクチャ (U-Net, Atention U-Net, Swin UNETR) を体系的に評価し、FedAvg を用いたアテンション U-Net は、MRI の領域特異的なテクスチャコントラストを優先する新しい解剖的インフォームド・ロス関数である。 包括的評価は、分散した異種データセットのトレーニングにもかかわらず、本手法が臨床的に有効な性能を発揮することを示す。

関連論文リスト

• A Multi-Stage Fine-Tuning and Ensembling Strategy for Pancreatic Tumor Segmentation in Diagnostic and Therapeutic MRI [7.8413564248632825]
  本稿では、診断T1重み付け(Task1)と治療T2重み付け(Task2)の両方に対処するPANTHERチャレンジへの提案について詳述する。 我々のアプローチはnnU-Netフレームワーク上に構築されており、深いマルチステージの事前学習戦略を活用しています。 分析の結果,アグレッシブなデータ拡張によって高いボリューム精度が得られた,重要なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2025-08-29T16:50:29Z)
• Rethink Domain Generalization in Heterogeneous Sequence MRI Segmentation [1.3753367700362567]
  PancreasDGは、大規模な3次元MRI膵セグメンテーションデータセットである。 PancreasDGは、医療画像の領域一般化のための新しいベンチマークを設定している。
  論文  参考訳（メタデータ） (2025-07-30T21:26:28Z)
• Semi-supervised learning and integration of multi-sequence MR-images for carotid vessel wall and plaque segmentation [0.6597195879147557]
  頸動脈血管壁とプラークのセグメンテーションのためのマルチシーケンスMRIデータを統合するための半教師付き深層学習手法を提案する。 動脈硬化症52例に対し, それぞれ5つのMRIシークエンスを施行した。
  論文  参考訳（メタデータ） (2025-07-10T07:31:31Z)
• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• APIS: A paired CT-MRI dataset for ischemic stroke segmentation challenge [0.0]
  APISはNCCTとADCによる急性虚血性脳卒中患者の最初のペアデータセットである。 第20回IEEE International Symposium on Biomedical Imaging 2023で発表された。 すべてのチームが専門的なディープラーニングツールを使用しているにも関わらず、NCCTの虚血性脳卒中セグメンテーションタスクは依然として困難である。
  論文  参考訳（メタデータ） (2023-09-26T20:16:07Z)
• Radiomics Boosts Deep Learning Model for IPMN Classification [3.4659499358648675]
  膵管内乳頭粘液性腫瘍 (IPMN) の嚢胞は術前膵管病変であり,膵癌に進展する可能性がある。 本研究では,MRIスキャンからIPMNリスク分類のための新しいコンピュータ支援診断パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-09-11T22:41:52Z)
• Reconstructing the somatotopic organization of the corticospinal tract remains a challenge for modern tractography methods [55.07297021627281]
  CST(Corticospinal tract)は、人間の脳において、身体の自発的な動きを制御できる重要なホワイトマター線維である。 拡散MRIトラクトグラフィーは、ヒトの健康におけるCST経路の解剖学的および変動性の研究を可能にする唯一の方法である。
  論文  参考訳（メタデータ） (2023-06-09T02:05:40Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。