論文の概要: A Novel Approach to Breast Cancer Segmentation using U-Net Model with Attention Mechanisms and FedProx
- arxiv url: http://arxiv.org/abs/2510.19118v1
- Date: Tue, 21 Oct 2025 22:38:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:14.820837
- Title: A Novel Approach to Breast Cancer Segmentation using U-Net Model with Attention Mechanisms and FedProx
- Title（参考訳）: U-NetモデルとFedProxを用いた乳癌分離の新しいアプローチ
- Authors: Eyad Gad, Mustafa Abou Khatwa, Mustafa A. Elattar, Sahar Selim,
- Abstract要約: 乳がんは世界中の女性の間で主要な死因であり、早期発見と正確な診断の必要性を強調している。
医療データの繊細な性質は、正確でプライベートな人工知能モデルを開発することを困難にしている。
FedProxは、非IIDローカルな医療データセット上で、正確な機械学習モデルをトレーニングするための有望なアプローチになる可能性がある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breast cancer is a leading cause of death among women worldwide, emphasizing the need for early detection and accurate diagnosis. As such Ultrasound Imaging, a reliable and cost-effective tool, is used for this purpose, however the sensitive nature of medical data makes it challenging to develop accurate and private artificial intelligence models. A solution is Federated Learning as it is a promising technique for distributed machine learning on sensitive medical data while preserving patient privacy. However, training on non-Independent and non-Identically Distributed (non-IID) local datasets can impact the accuracy and generalization of the trained model, which is crucial for accurate tumour boundary delineation in BC segmentation. This study aims to tackle this challenge by applying the Federated Proximal (FedProx) method to non-IID Ultrasonic Breast Cancer Imaging datasets. Moreover, we focus on enhancing tumour segmentation accuracy by incorporating a modified U-Net model with attention mechanisms. Our approach resulted in a global model with 96% accuracy, demonstrating the effectiveness of our method in enhancing tumour segmentation accuracy while preserving patient privacy. Our findings suggest that FedProx has the potential to be a promising approach for training precise machine learning models on non-IID local medical datasets.
- Abstract（参考訳）: 乳がんは世界中の女性の間で主要な死因であり、早期発見と正確な診断の必要性を強調している。
このような超音波イメージングは信頼性が高く費用効率のよいツールであるが、医療データの繊細な性質は、正確でプライベートな人工知能モデルの開発を困難にしている。
患者プライバシを保護しながら、機密性の高い医療データに基づく分散機械学習のための有望なテクニックとして、フェデレートラーニング(Federated Learning)というソリューションがある。
しかし,非独立および非独立分散(非IID)局所データセットのトレーニングは,BCセグメンテーションにおける正確な腫瘍境界記述に不可欠なトレーニングモデルの精度と一般化に影響を与える可能性がある。
本研究では,非IID超音波乳がん画像データセットにフェデレーション・プロキシ(FedProx)法を適用し,この課題に対処することを目的とする。
さらに,修正U-Netモデルとアテンション機構を組み込むことにより,腫瘍のセグメンテーション精度の向上に注力する。
その結果,96%の精度のグローバルモデルが得られ,患者のプライバシを保ちながら腫瘍のセグメンテーション精度を高める方法の有効性が示された。
以上の結果から,FedProxは,非IID局所医療データセット上での正確な機械学習モデルをトレーニングするための,有望なアプローチである可能性が示唆された。
関連論文リスト
- PSO-XAI: A PSO-Enhanced Explainable AI Framework for Reliable Breast Cancer Detection [2.5631347250059577]
本研究では、機能選択のためのカスタマイズされたParticle Swarm Optimization (PSO)を組み込んだ統合フレームワークを提案する。
提案手法は、精度と精度を含む全てのパフォーマンス指標において99.1%の優れたスコアを得た。
結果は,Swarmインテリジェンスと説明可能なMLを組み合わせることで,堅牢で信頼性が高く,臨床的に有意義な乳癌診断の可能性を強調した。
論文 参考訳（メタデータ） (2025-10-23T14:42:50Z) - An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - FedSAF: A Federated Learning Framework for Enhanced Gastric Cancer Detection and Privacy Preservation [0.686541828730325]
胃癌は最も一般的に診断されるがんの1つであり、死亡率が高い。
医療資源が限られているため、胃癌認識のための機械学習モデルの開発は、医療機関にとって効率的な解決策となる。
このようなモデルは通常、トレーニングとテストのために大きなサンプルサイズを必要とするため、患者のプライバシに挑戦する可能性がある。
フェデレートラーニングは、センシティブな患者データを共有することなく、複数の機関でモデルトレーニングを行うことによって、効果的な代替手段を提供する。
論文 参考訳（メタデータ） (2025-03-20T05:48:48Z) - 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) - Empowering Healthcare through Privacy-Preserving MRI Analysis [3.6394715554048234]
本稿では,Ensemble-Based Federated Learning (EBFL)フレームワークを紹介する。
EBFLフレームワークは、機密性の高い患者データを共有することよりも、モデルの特徴を強調することによって、従来のアプローチから逸脱する。
グリオーマ,髄膜腫,下垂体,非腫瘍例などの脳腫瘍の分類において,有意な精度が得られた。
論文 参考訳（メタデータ） (2024-03-14T19:51:18Z) - ssVERDICT: Self-Supervised VERDICT-MRI for Enhanced Prostate Tumour
Characterisation [2.755232740505053]
トレーニングデータなしでVERDICT推定パラメータマップを適合させる自己教師型ニューラルネットワーク。
本研究では,SsVERDICTの性能を拡散MRIモデルに適合する2つの確立されたベースライン法と比較する。
論文 参考訳（メタデータ） (2023-09-12T14:31:33Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。
我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
論文 参考訳（メタデータ） (2023-02-03T09:49:13Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。