論文の概要: Med-DualLoRA: Local Adaptation of Foundation Models for 3D Cardiac MRI

• arxiv url: http://arxiv.org/abs/2603.10967v1
• Date: Wed, 11 Mar 2026 16:52:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:33.062368
• Title: Med-DualLoRA: Local Adaptation of Foundation Models for 3D Cardiac MRI
• Title（参考訳）: Med-DualLoRA : 3次元心臓MRIのための基礎モデルの局所的適応
• Authors: Joan Perramon-Llussà, Amelia Jiménez-Sánchez, Grzegorz Skorupko, Fotis Avgoustidis, Carlos Martín-Isla, Karim Lekadir, Polyxeni Gkontra,
• Abstract要約: Med-DualLoRAは,グローバルな共有およびローカルなローランク適応(LoRA)を加法分解によって分散する,クライアント対応パラメータ効率の高い微調整フレームワークである。 ACDCとM&Msデータセットを併用した多心式3次元CMR FMによる疾患検出法について検討した。
• 参考スコア（独自算出の注目度）: 1.2782432265370094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models (FMs) show great promise for robust downstream performance across medical imaging tasks and modalities, including cardiac magnetic resonance (CMR), following task-specific adaptation. However, adaptation using single-site data may lead to suboptimal performance and increased model bias, while centralized fine-tuning on clinical data is often infeasible due to privacy constraints. Federated fine-tuning offers a privacy-preserving alternative; yet conventional approaches struggle under heterogeneous, non-IID multi-center data and incur substantial communication overhead when adapting large models. In this work, we study federated FM fine-tuning for 3D CMR disease detection and propose Med-DualLoRA, a client-aware parameter-efficient fine-tuning (PEFT) federated framework that disentangles globally shared and local low-rank adaptations (LoRA) through additive decomposition. Global and local LoRA modules are trained locally, but only the global component is shared and aggregated across sites, keeping local adapters private. This design improves personalization while significantly reducing communication cost, and experiments show that adapting only two transformer blocks preserves performance while further improving efficiency. We evaluate our method on a multi-center state-of-the-art cine 3D CMR FM fine-tuned for disease detection using ACDC and combined M\&Ms datasets, treating each vendor as a federated client. Med-DualLoRA achieves statistically significant improved performance (balanced accuracy 0.768, specificity 0.612) compared to other federated PEFT baselines, while maintaining communication efficiency. Our approach provides a scalable solution for local federated adaptation of medical FMs under realistic clinical constraints.
• Abstract（参考訳）: ファンデーションモデル(FM)は、心臓磁気共鳴(CMR)を含む医療画像タスクやモダリティにおいて、タスク固有の適応に続く堅牢なダウンストリーム性能を示す。 しかし、単一サイトデータを用いた適応は、最適化性能とモデルバイアスの増加につながる可能性があるが、臨床データの集中的な微調整は、プライバシの制約によりしばしば実現不可能である。 フェデレートされた微調整は、プライバシを保存する代替手段を提供するが、従来のアプローチは、異質で非IIDのマルチセンターデータの下で苦労し、大きなモデルを適用する際にかなりの通信オーバーヘッドを発生させる。 本研究では, 3次元CMR 病検出のためのフェデレーションFMファインチューニングについて検討し, 付加分解によりグローバル共有および局所ローランク適応(LoRA)を分散するクライアント対応パラメータ効率ファインチューニング(PEFT)フェデレーションフレームワーク Med-DualLoRA を提案する。 グローバルとローカルのLoRAモジュールはローカルでトレーニングされるが、グローバルコンポーネントのみがサイト間で共有され、集約され、ローカルアダプタはプライベートである。 この設計では、通信コストを大幅に削減しながらパーソナライズを向上し、2つの変圧器ブロックのみを適応させることで性能を保ち、さらに効率を向上することを示した。 我々は,ACDCとM\&Msデータセットを併用した多施設間3次元CMR FMによる疾病検出を行い,各ベンダーをフェデレートクライアントとして扱う手法について検討した。 Med-DualLoRAは、通信効率を維持しつつ、他のPEFTベースラインと比較して統計的に有意な性能向上(バランス精度0.768、特異性0.612)を達成する。 本手法は,現実的な臨床制約下での医療用FMの局所的適応にスケーラブルなソリューションを提供する。

関連論文リスト

• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• CEPerFed: Communication-Efficient Personalized Federated Learning for Multi-Pulse MRI Classification [9.643088951062065]
  マルチパルスMRI分類のための頑健なモデルをトレーニングするには、様々な医療機関からの大規模かつ多様なデータが必要である。 通信効率の高いパーソナライズされたFL手法CEPerFedを提案する。 CEPerFed法の有効性を示す5つの分類課題の実験を行った。
  論文  参考訳（メタデータ） (2025-10-20T14:34:16Z)
• 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)
• FedSCA: Federated Tuning with Similarity-guided Collaborative Aggregation for Heterogeneous Medical Image Segmentation [14.113755905200009]
  トランスフォーマーベースファンデーションモデル (FM) は近年, 医用画像のセグメンテーションにおいて顕著な性能を示した。 しかし、分離病院内の医療画像データセットが限られているため、これらのモデルをスケールすることは困難である。 本稿では,UnderlinetextbfCollaborative UnderlinetextbfAggregation (FedSCA)を用いたFLFMファインチューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T16:27:29Z)
• Rate-My-LoRA: Efficient and Adaptive Federated Model Tuning for Cardiac MRI Segmentation [15.55939232262832]
  心臓血管疾患(CVD)と心臓ジスシンフォニー(英語版)は、米国で主要な公衆衛生上の問題である。 本稿では,心的セグメンテーションのための新しい効率的適応型フェデレート学習法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T18:57:18Z)
• A Federated Learning-Friendly Approach for Parameter-Efficient Fine-Tuning of SAM in 3D Segmentation [5.011091042850546]
  医用画像解析に基礎モデルを適用するには、かなりの量のデータでそれらを微調整する必要がある。 このような微調整のためのタスク固有の医療データを中央で収集することは、多くのプライバシー上の懸念を引き起こす。 フェデレーテッド・ラーニング(FL)は、プライベートな分散データをトレーニングするための効果的な手段を提供するが、大規模な基盤モデルをフェデレーテッドする際の通信コストは、すぐに重大なボトルネックとなる可能性がある。
  論文  参考訳（メタデータ） (2024-07-31T16:48:06Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Learning Federated Visual Prompt in Null Space for MRI Reconstruction [83.71117888610547]
  我々はMRI再建のためのグローバルプロンプトのヌル空間におけるフェデレートされた視覚的プロンプトを学習するための新しいアルゴリズムであるFedPRを提案する。 FedPRは、ローカルトレーニングデータの限られた量を与えられた場合、通信コストの6%で最先端のFLアルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2023-03-28T17:46:16Z)
• FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning [87.08902493524556]
  フェデレートラーニング(FL)は近年、学術や産業から注目を集めている。 我々は,複数の局所的代理関数からグローバルなトレーニング目標を構築するためのFedDMを提案する。 そこで本研究では,各クライアントにデータ集合を構築し,元のデータから得られた損失景観を局所的にマッチングする。
  論文  参考訳（メタデータ） (2022-07-20T04:55:18Z)
• Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
  Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。 本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。 提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
  論文  参考訳（メタデータ） (2022-03-12T04:11:42Z)

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。