論文の概要: Validation of Various Normalization Methods for Brain Tumor Segmentation: Can Federated Learning Overcome This Heterogeneity?

• arxiv url: http://arxiv.org/abs/2510.07126v1
• Date: Wed, 08 Oct 2025 15:21:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.590395
• Title: Validation of Various Normalization Methods for Brain Tumor Segmentation: Can Federated Learning Overcome This Heterogeneity?
• Title（参考訳）: 脳腫瘍分節の正常化手法の検証 : フェデレーション学習は不均一性を克服できるか?
• Authors: Jan Fiszer, Dominika Ciupek, Maciej Malawski,
• Abstract要約: Federated Learning(FL)は、データプライバシ、ストレージ、転送に関する問題を克服するトレーニングパラダイムである。 本研究では,MRI強度正規化法をデータサブセットの分離に適用することにより,非IID条件をシミュレートする。 FL法はクライアント間で不整合に正規化されたデータに対してレジリエンスを示し、3D Diceスコアは92%に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning (DL) has been increasingly applied in medical imaging, however, it requires large amounts of data, which raises many challenges related to data privacy, storage, and transfer. Federated learning (FL) is a training paradigm that overcomes these issues, though its effectiveness may be reduced when dealing with non-independent and identically distributed (non-IID) data. This study simulates non-IID conditions by applying different MRI intensity normalization techniques to separate data subsets, reflecting a common cause of heterogeneity. These subsets are then used for training and testing models for brain tumor segmentation. The findings provide insights into the influence of the MRI intensity normalization methods on segmentation models, both training and inference. Notably, the FL methods demonstrated resilience to inconsistently normalized data across clients, achieving the 3D Dice score of 92%, which is comparable to a centralized model (trained using all data). These results indicate that FL is a solution to effectively train high-performing models without violating data privacy, a crucial concern in medical applications. The code is available at: https://github.com/SanoScience/fl-varying-normalization.
• Abstract（参考訳）: 深層学習(DL)は医療画像にますます応用されているが、大量のデータを必要とするため、データのプライバシ、ストレージ、転送に関する多くの課題が提起されている。 フェデレートラーニング(Federated Learning, FL)は、これらの問題を克服する訓練パラダイムである。 本研究は、MRI強度正規化法をデータサブセットの分離に適用することにより、非IID条件をシミュレートし、不均一性の共通の原因を反映する。 これらのサブセットは、脳腫瘍セグメンテーションのトレーニングおよびテストモデルに使用される。 この結果から,MRI強度正規化法がトレーニングと推論の両方のセグメンテーションモデルに与える影響が示唆された。 特にFL法では、クライアント間で不整合に正規化されたデータに対するレジリエンスを示し、3D Diceスコアは92%に達した。 これらの結果は、FLがデータのプライバシを侵害することなく、高性能モデルを効果的にトレーニングするためのソリューションであることを示している。 コードは以下の通りである。 https://github.com/SanoScience/fl-variant-normalization。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Feasibility of Federated Learning from Client Databases with Different Brain Diseases and MRI Modalities [5.629645463085369]
  MRIの脳病変のモデルは通常、特定の疾患のために開発され、事前に定義されたMRIモダリティのセットでデータに基づいて訓練される。 この訓練パラダイムは、モデルが異種データベースから学習する利点を使用するのを防ぐ。 モデルとトレーニング戦略の適切な,シンプルな,実践的な変更を組み合わせることで,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-06-17T15:16:18Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• 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)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• FedNorm: Modality-Based Normalization in Federated Learning for Multi-Modal Liver Segmentation [9.203390025029883]
  肝セグメンテーションは、診断および経過観察のために、CTおよびMRI画像を分析する最も一般的な方法の1つである。 近年のディープラーニングの進歩は, 自動肝セグメンテーションの促進効果を示している。 分散クライアント上で共有グローバルモデルをトレーニングすることで、課題を軽減するソリューションとして、フェデレートラーニング(Federated Learning)が提案されている。 モーダリティに基づく正規化手法を用いた2つのフェデレート学習アルゴリズムであるFednormとその拡張フェデノープを提案する。
  論文  参考訳（メタデータ） (2022-05-23T07:34:34Z)
• How Reliable Are Out-of-Distribution Generalization Methods for Medical Image Segmentation? [0.46023882211671957]
  我々は,フル教師付きトレーニングとセミ教師付きトレーニングの両方を用いて,MRデータにおける海馬セグメンテーションの問題に対するOoD一般化ソリューションの評価を行った。 V-RExの損失は、チューニングが容易なままでありながら、ほとんどの場合、標準のU-Netよりも優れています。
  論文  参考訳（メタデータ） (2021-09-03T10:15:44Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。