論文の概要: Exploiting Test-Time Augmentation in Federated Learning for Brain Tumor MRI Classification

• arxiv url: http://arxiv.org/abs/2601.12671v1
• Date: Mon, 19 Jan 2026 02:32:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.735262
• Title: Exploiting Test-Time Augmentation in Federated Learning for Brain Tumor MRI Classification
• Title（参考訳）: 脳腫瘍のMRI分類のためのフェデレーション学習における試験時間増強の試み
• Authors: Thamara Leandra de Deus Melo, Rodrigo Moreira, Larissa Ferreira Rodrigues Moreira, André Ricardo Backes,
• Abstract要約: 脳腫瘍の診断は早期治療に不可欠である。 連合学習(FL)環境での畳み込みニューラルネットワーク(CNN)の評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient brain tumor diagnosis is crucial for early treatment; however, it is challenging because of lesion variability and image complexity. We evaluated convolutional neural networks (CNNs) in a federated learning (FL) setting, comparing models trained on original versus preprocessed MRI images (resizing, grayscale conversion, normalization, filtering, and histogram equalization). Preprocessing alone yielded negligible gains; combined with test-time augmentation (TTA), it delivered consistent, statistically significant improvements in federated MRI classification (p<0.001). In practice, TTA should be the default inference strategy in FL-based medical imaging; when the computational budget permits, pairing TTA with light preprocessing provides additional reliable gains.
• Abstract（参考訳）: 早期治療には高能率な脳腫瘍診断が重要であるが,病変の多様性や画像の複雑さが原因で困難である。 我々は,畳み込みニューラルネットワーク(CNN)を,原画像と前処理MRI画像(縮小,グレースケール変換,正規化,フィルタリング,ヒストグラム等化)で訓練したモデルと比較し,フェデレートラーニング(FL)環境で評価した。 前処理だけで無視できる利得が得られ、テストタイム増強(TTA)と組み合わせて、フェデレートMRI分類(p<0.001)の一貫性、統計的に有意な改善が得られた。 実際に、TTAはFLベースの医療画像におけるデフォルトの推論戦略であるべきであり、計算予算が許可されると、TTAと光前処理を組み合わせることで、さらなる信頼性の高い利得が得られる。

関連論文リスト

• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• Lightweight Medical Image Restoration via Integrating Reliable Lesion-Semantic Driven Prior [29.81704480466466]
  医用画像復元タスクは、劣化した観察から高品質な画像を回復することを目的としており、多くの臨床シナリオにおいて創発的な欲求を示す。 既存のディープラーニングに基づく復元手法は、計算効率の良い再構成結果のレンダリングに苦慮している。 本稿では、周波数領域における信頼性誘導学習による軽量トランスフォーマーを用いたLRformerを提案する。
  論文  参考訳（メタデータ） (2025-04-15T15:26:28Z)
• On the Foundation Model for Cardiac MRI Reconstruction [6.284878525302227]
  本稿では,適応アンロール,チャネルシフト,パターンとコントラスト-プロンプト-UNetを用いた基礎モデルを提案する。 PCP-UNetは画像コントラストとサンプリングパターンプロンプトを備える。
  論文  参考訳（メタデータ） (2024-11-15T18:15:56Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Interpretability Aware Model Training to Improve Robustness against Out-of-Distribution Magnetic Resonance Images in Alzheimer's Disease Classification [8.050897403457995]
  異なるMRIハードウェアから派生した分布外サンプルに対するロバスト性を改善するために,解釈可能性を考慮した対向訓練システムを提案する。 本報告では, 分布外のサンプルに対して有望な性能を示す予備的な結果を示す。
  論文  参考訳（メタデータ） (2021-11-15T04:42:47Z)

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。