論文の概要: The MICCAI Federated Tumor Segmentation (FeTS) Challenge 2024: Efficient and Robust Aggregation Methods for Federated Learning

• arxiv url: http://arxiv.org/abs/2512.06206v1
• Date: Fri, 05 Dec 2025 22:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.237899
• Title: The MICCAI Federated Tumor Segmentation (FeTS) Challenge 2024: Efficient and Robust Aggregation Methods for Federated Learning
• Title（参考訳）: MICCAI Federated tumor Segmentation (FeTS) Challenge 2024:Efficient and Robust Aggregation Methods for Federated Learning
• Authors: Akis Linardos, Sarthak Pati, Ujjwal Baid, Brandon Edwards, Patrick Foley, Kevin Ta, Verena Chung, Micah Sheller, Muhammad Irfan Khan, Mojtaba Jafaritadi, Elina Kontio, Suleiman Khan, Leon Mächler, Ivan Ezhov, Suprosanna Shit, Johannes C. Paetzold, Gustav Grimberg, Manuel A. Nickel, David Naccache, Vasilis Siomos, Jonathan Passerat-Palmbach, Giacomo Tarroni, Daewoon Kim, Leonard L. Klausmann, Prashant Shah, Bjoern Menze, Dimitrios Makris, Spyridon Bakas,
• Abstract要約: われわれはMICCAI Federated tumor (FeTS) Challenge 2024の設計と結果について報告する。 多パラメータMRIにおけるグリオーマサブ領域セグメンテーションのためのフェデレートラーニングに焦点を当てた。 PID制御器を用いた手法が総合ランキングで上位となった。
• 参考スコア（独自算出の注目度）: 9.202327404631289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the design and results of the MICCAI Federated Tumor Segmentation (FeTS) Challenge 2024, which focuses on federated learning (FL) for glioma sub-region segmentation in multi-parametric MRI and evaluates new weight aggregation methods aimed at improving robustness and efficiency. Six participating teams were evaluated using a standardized FL setup and a multi-institutional dataset derived from the BraTS glioma benchmark, consisting of 1,251 training cases, 219 validation cases, and 570 hidden test cases with segmentations for enhancing tumor (ET), tumor core (TC), and whole tumor (WT). Teams were ranked using a cumulative scoring system that considered both segmentation performance, measured by Dice Similarity Coefficient (DSC) and the 95th percentile Hausdorff Distance (HD95), and communication efficiency assessed through the convergence score. A PID-controller-based method achieved the top overall ranking, obtaining mean DSC values of 0.733, 0.761, and 0.751 for ET, TC, and WT, respectively, with corresponding HD95 values of 33.922 mm, 33.623 mm, and 32.309 mm, while also demonstrating the highest communication efficiency with a convergence score of 0.764. These findings advance the state of federated learning for medical imaging, surpassing top-performing methods from previous challenge iterations and highlighting PID controllers as effective mechanisms for stabilizing and optimizing weight aggregation in FL. The challenge code is available at https://github.com/FeTS-AI/Challenge.
• Abstract（参考訳）: 多パラメータMRIにおけるグリオーマサブ領域分割のためのフェデレートラーニング(FL)に焦点を当てたMICCAIフェデレーション・腫瘍・セグメンテーション(FeTS)チャレンジ2024の設計と結果について述べる。 標準FLとBraTS gliomaベンチマークから得られた多施設データセットを用いて, 腫瘍(ET), 腫瘍コア(TC), 腫瘍全体(WT)のセグメンテーションを有する1,251例, 検証ケース219例, 隠蔽検査ケース570例の6チームについて検討した。 チームは、Dice similarity Coefficient (DSC) と95パーセントの Hausdorff Distance (HD95) で測定された分節性能と、収束スコアで評価された通信効率の両方を考慮した累積スコアシステムを用いてランク付けされた。 平均DSC値は0.733、0.761、WTは0.751であり、対応するHD95は33.922mm、33.623mm、32.309mmであり、収束スコアは0.764である。 これらの知見は, 医療画像におけるフェデレーション学習の現状を前進させ, 従来の課題の繰り返しから最高のパフォーマンスの手法を超越し, PIDコントローラをFLにおける重み付けの安定化と最適化の効果的なメカニズムとして強調した。 チャレンジコードはhttps://github.com/FeTS-AI/Challenge.comで公開されている。

関連論文リスト

• Ensemble YOLO Framework for Multi-Domain Mitotic Figure Detection in Histopathology Images [0.7541656202645494]
  YOLOv5とYOLOv8の2つの近代的な1段検出器は、MIDOG++、CMC、CCMCTデータセットで訓練された。 YOLOv5は高い精度(84.3%)を達成し、YOLOv8は改善されたリコール(82.6%)を提供した。 我々のアンサンブルは、F1スコア79.2%、精度73.6%、リコール85.8%で5位にランクされ、提案された戦略が未確認のテストデータに対して効果的に一般化されていることを確認した。
  論文  参考訳（メタデータ） (2025-09-03T02:43:02Z)
• Variational U-Net with Local Alignment for Joint Tumor Extraction and Registration (VALOR-Net) of Breast MRI Data Acquired at Two Different Field Strengths [0.43163184307789293]
  多次元乳房MRIは腫瘍の診断、特徴付け、治療計画を改善する可能性がある。 3Tや7Tのような異なるフィールド強度で取得された画像の正確なアライメントとデライン化は、依然として困難な研究課題である。 提案手法は, 異なる磁場強度で取得したMRIデータの関節腫瘍セグメント化とMRIデータの登録を可能とすることができる。
  論文  参考訳（メタデータ） (2025-01-23T14:15:54Z)
• Multi-Model Ensemble Approach for Accurate Bi-Atrial Segmentation in LGE-MRI of Atrial Fibrillation Patients [3.676588766498097]
  心房細動(AF)は、心臓不整脈の最も多い形態であり、死亡率と死亡率の増加と関連している。 この研究は、Unet、ResNet、EfficientNet、VGGを含む複数の機械学習モデルを統合するアンサンブルアプローチを示し、LGE-MRIデータから自動両房セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-09-24T13:33:46Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• The Ninth NTIRE 2024 Efficient Super-Resolution Challenge Report [180.94772271910315]
  本稿は,NTIRE 2024の課題を概観し,効率的な単一画像超解像(ESR)ソリューションに焦点をあてる。 主な目的は、ランタイム、パラメータ、FLOPなどの様々な側面を最適化するネットワークを開発することである。 このチャレンジには262人の登録参加者が参加し、34チームが有効な応募を行った。
  論文  参考訳（メタデータ） (2024-04-16T07:26:20Z)
• 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)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。