論文の概要: Federated Learning for Cross-Modality Medical Image Segmentation via Augmentation-Driven Generalization

• arxiv url: http://arxiv.org/abs/2602.20773v1
• Date: Tue, 24 Feb 2026 11:13:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.719489
• Title: Federated Learning for Cross-Modality Medical Image Segmentation via Augmentation-Driven Generalization
• Title（参考訳）: 拡張駆動型一般化によるクロスモーダル医療画像セグメンテーションのためのフェデレーションラーニング
• Authors: Sachin Dudda Nagaraju, Ashkan Moradi, Bendik Skarre Abrahamsen, Mattijs Elschot,
• Abstract要約: 本研究では,各クライアントが単一モダリティデータ(CTまたはMRI)を保持する,現実的なFLシナリオについて考察する。 我々は、畳み込みに基づく空間拡張、周波数領域操作、ドメイン固有の正規化、および大域強度非線形(GIN)拡張を評価する。 当社のフェデレーションアプローチは、集中トレーニング精度の93～98%を達成し、データプライバシを損なうことなく、強力なモダリティの一般化を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence has emerged as a transformative tool in medical image analysis, yet developing robust and generalizable segmentation models remains difficult due to fragmented, privacy-constrained imaging data siloed across institutions. While federated learning (FL) enables collaborative model training without centralizing data, cross-modality domain shifts pose a critical challenge, particularly when models trained on one modality fail to generalize to another. Many existing solutions require paired multimodal data per patient or rely on complex architectures, both of which are impractical in real clinical settings. In this work, we consider a realistic FL scenario where each client holds single-modality data (CT or MRI), and systematically investigate augmentation strategies for cross-modality generalization. Using abdominal organ segmentation and whole-heart segmentation as representative multi-class and binary segmentation benchmarks, we evaluate convolution-based spatial augmentation, frequency-domain manipulation, domain-specific normalization, and global intensity nonlinear (GIN) augmentation. Our results show that GIN consistently outperforms alternatives in both centralized and federated settings by simulating cross-modality appearance variations while preserving anatomical structure. For the pancreas, Dice score improved from 0.073 to 0.437, a 498% gain. Our federated approach achieves 93-98% of centralized training accuracy, demonstrating strong cross-modality generalization without compromising data privacy, pointing toward feasible federated AI deployment across diverse healthcare systems.
• Abstract（参考訳）: 人工知能は、医療画像分析における変革的ツールとして登場したが、組織間でサイロ化された、プライバシーに制約のある画像データの断片化により、堅牢で一般化可能なセグメンテーションモデルの開発は依然として困難である。 統合学習(FL)は、データを集中化せずに協調的なモデルトレーニングを可能にするが、モダリティ間のドメインシフトは、特にあるモダリティでトレーニングされたモデルが他のモダリティに一般化できない場合、重要な課題となる。 既存のソリューションの多くは、患者ごとにペア化されたマルチモーダルデータを必要とするか、複雑なアーキテクチャに依存している。 本研究では、各クライアントがCTまたはMRIを保有する現実的なFLシナリオを考察し、クロスモーダル一般化のための拡張戦略を体系的に検討する。 コンボリューションに基づく空間拡張,周波数領域操作,ドメイン固有正規化,および大域強度非線形(GIN)増強の評価を行った。 以上の結果から,GINは解剖学的構造を保ちながら,異質な外見の変化をシミュレートすることで,中央集権的・連合的な環境下での代替品よりも一貫して優れていたことが示唆された。 膵臓のDiceスコアは0.073から0.437に改善し、498%上昇した。 当社のフェデレーションアプローチは、集中トレーニングの精度の93～98%を達成し、データプライバシを損なうことなく、強力なクロスモダリティの一般化を実証します。

関連論文リスト

• U-Harmony: Enhancing Joint Training for Segmentation Models with Universal Harmonization [30.093279965784188]
  本稿では,Universal Harmonization(U-Harmony)と呼ばれる協調学習手法を提案する。 U-Harmonyを統合することで、我々のアプローチは次々に正規化し、次に特徴分布を非正規化し、ドメイン固有のバリエーションを緩和する。 より魅力的なことに、我々のフレームワークは普遍的なモダリティ適応もサポートしており、新しい画像モダリティと解剖学的クラスをシームレスに学習することができる。
  論文  参考訳（メタデータ） (2026-01-21T02:43:39Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Adversarial Versus Federated: An Adversarial Learning based Multi-Modality Cross-Domain Federated Medical Segmentation [30.99222543580891]
  フェデレーション学習は、異なるクライアント間で機械学習モデルの協調トレーニングを可能にする。 我々は新しいフェデレーションドメイン適応(FedDA)セグメンテーショントレーニングフレームワークを提案する。 提案するFedDAは、クロスドメインのフェデレーションアグリゲーションを実現し、クロスモダリティ処理機能を備えた単一モダリティクライアントを実現する。
  論文  参考訳（メタデータ） (2025-09-28T14:26:04Z)
• pFedSAM: Personalized Federated Learning of Segment Anything Model for Medical Image Segmentation [23.86147005761286]
  医用画像セグメンテーションにおける異種データシナリオに適した,最初のパーソナライズされたSAMフレームワークを提案する。 本フレームワークは,(1)ドメイン特化機能を維持するために設計したL-MoEコンポーネントを維持しつつ,グローバルパラメータのみを集約するパーソナライズされた戦略,(2)知識蒸留による教師-学生パラダイムを活用した,グローバル共有モデルとパーソナライズされたローカルモデルのギャップを埋める分離されたグローバルローカル微調整機構,の2つの重要なイノベーションを統合する。
  論文  参考訳（メタデータ） (2025-09-19T06:05:35Z)
• 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)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• 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)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)
• Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and Domain Adaptation: ABIDE Results [13.615292855384729]
  高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。 患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。 フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
  論文  参考訳（メタデータ） (2020-01-16T04:49:33Z)

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。