論文の概要: TwinSegNet: A Digital Twin-Enabled Federated Learning Framework for Brain Tumor Analysis

• arxiv url: http://arxiv.org/abs/2512.17488v1
• Date: Fri, 19 Dec 2025 11:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.366388
• Title: TwinSegNet: A Digital Twin-Enabled Federated Learning Framework for Brain Tumor Analysis
• Title（参考訳）: TwinSegNet:脳腫瘍解析のためのデジタル双発フェデレーション学習フレームワーク
• Authors: Almustapha A. Wakili, Adamu Hussaini, Abubakar A. Musa, Woosub Jung, Wei Yu,
• Abstract要約: TwinSegNetは、脳腫瘍セグメンテーションのためのプライバシー保護のフェデレーション学習フレームワークである。 我々のアーキテクチャは、畳み込みエンコーダとVision Transformerを組み合わせることで、ローカルおよびグローバルなコンテキストをキャプチャする。 当社のアプローチは,多施設臨床におけるスケーラブルでパーソナライズされたセグメンテーションを可能にする。
• 参考スコア（独自算出の注目度）: 5.412828826200904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain tumor segmentation is critical in diagnosis and treatment planning for the disease. Yet, current deep learning methods rely on centralized data collection, which raises privacy concerns and limits generalization across diverse institutions. In this paper, we propose TwinSegNet, which is a privacy-preserving federated learning framework that integrates a hybrid ViT-UNet model with personalized digital twins for accurate and real-time brain tumor segmentation. Our architecture combines convolutional encoders with Vision Transformer bottlenecks to capture local and global context. Each institution fine-tunes the global model of private data to form its digital twin. Evaluated on nine heterogeneous MRI datasets, including BraTS 2019-2021 and custom tumor collections, TwinSegNet achieves high Dice scores (up to 0.90%) and sensitivity/specificity exceeding 90%, demonstrating robustness across non-independent and identically distributed (IID) client distributions. Comparative results against centralized models such as TumorVisNet highlight TwinSegNet's effectiveness in preserving privacy without sacrificing performance. Our approach enables scalable, personalized segmentation for multi-institutional clinical settings while adhering to strict data confidentiality requirements.
• Abstract（参考訳）: 脳腫瘍の分節化は、疾患の診断と治療計画において重要である。 しかし、現在のディープラーニング手法は中央集権的なデータ収集に依存しており、プライバシーの懸念を高め、様々な機関の一般化を制限している。 本稿では,プライバシ保護のためのフェデレーション学習フレームワークであるTwinSegNetを提案する。 我々のアーキテクチャは、畳み込みエンコーダとVision Transformerのボトルネックを組み合わせることで、ローカルおよびグローバルなコンテキストをキャプチャする。 各機関は、デジタルツインを形成するために、グローバルなプライベートデータのモデルを微調整する。 BraTS 2019-2021やカスタム腫瘍コレクションを含む9つの異種MRIデータセットに基づいて評価され、TwinSegNetは高Diceスコア(最大0.90%)と感度/特異性が90%を超え、非独立性および同一分散(IID)クライアントディストリビューション間の堅牢性を示す。 tumorVisNetのような集中型モデルとの比較結果は、パフォーマンスを犠牲にすることなくプライバシを保存するTwinSegNetの有効性を強調している。 当社のアプローチでは,厳密なデータ機密性要件に固執しながら,多施設臨床設定のためのスケーラブルでパーソナライズされたセグメンテーションを実現する。

関連論文リスト

• DB-FGA-Net: Dual Backbone Frequency Gated Attention Network for Multi-Class Brain Tumor Classification with Grad-CAM Interpretability [0.0]
  本稿では、VGG16とXceptionをFGAブロックと統合した二重バックボーンネットワークを提案する。 本モデルでは,可変サイズおよび分散データセットに対するロバスト性を示す拡張を伴わず,最先端のパフォーマンスを実現する。 さらに透明性を高めるため、Grad-CAMはモデルが予測している腫瘍領域を可視化するために統合され、モデル予測と臨床解釈可能性のギャップを埋める。
  論文  参考訳（メタデータ） (2025-10-23T07:39:00Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• FedGIN: Federated Learning with Dynamic Global Intensity Non-linear Augmentation for Organ Segmentation using Multi-modal Images [0.0]
  医用画像のセグメンテーションは、AIによる診断、手術計画、治療監視において重要な役割を果たす。 患者データを共有することなくマルチモーダル臓器分割を可能にするフェデレートラーニングフレームワークであるFedGINを提案する。
  論文  参考訳（メタデータ） (2025-08-07T08:16:35Z)
• Few-Shot Generation of Brain Tumors for Secure and Fair Data Sharing [5.101848799297469]
  本研究では,プライバシを保ちながら脳腫瘍像を合成する分散型小ショット生成モデル(DFGM)を提案する。 DFGMは、複数の医療センターから公開された共有可能な健康な画像とプライベートな腫瘍データを調和させ、腫瘍前景と健康な背景を混ぜて新しいデータセットを構築する。 UNetを用いてDFGMの脳腫瘍セグメンテーションにおける有効性を評価し,Diceスコアの改善はデータ拡張で3.9%,フェアネスでは4.6%であった。
  論文  参考訳（メタデータ） (2025-03-31T18:59:15Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• 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)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)

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。