論文の概要: FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2603.11659v1
• Date: Thu, 12 Mar 2026 08:28:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.961505
• Title: FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation
• Title（参考訳）: FL-MedSegBench:医療画像セグメンテーションに関する総合的学習ベンチマーク
• Authors: Meilu Zhu, Zhiwei Wang, Axiu Mao, Yuxing Li, Xiaohan Xing, Yixuan Yuan, Edmund Y. Lam,
• Abstract要約: Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。 FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。 汎用FL(gFL)法とパーソナライズFL(pFL)法を多次元にわたって体系的に評価した。
• 参考スコア（独自算出の注目度）: 57.930067699003764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) offers a privacy-preserving paradigm for collaborative medical image analysis without sharing raw data. However, the absence of standardized benchmarks for medical image segmentation hinders fair and comprehensive evaluation of FL methods. To address this gap, we introduce FL-MedSegBench, the first comprehensive benchmark for federated learning on medical image segmentation. Our benchmark encompasses nine segmentation tasks across ten imaging modalities, covering both 2D and 3D formats with realistic clinical heterogeneity. We systematically evaluate eight generic FL (gFL) and five personalized FL (pFL) methods across multiple dimensions: segmentation accuracy, fairness, communication efficiency, convergence behavior, and generalization to unseen domains. Extensive experiments reveal several key insights: (i) pFL methods, particularly those with client-specific batch normalization (\textit{e.g.}, FedBN), consistently outperform generic approaches; (ii) No single method universally dominates, with performance being dataset-dependent; (iii) Communication frequency analysis shows normalization-based personalization methods exhibit remarkable robustness to reduced communication frequency; (iv) Fairness evaluation identifies methods like Ditto and FedRDN that protect underperforming clients; (v) A method's generalization to unseen domains is strongly tied to its ability to perform well across participating clients. We will release an open-source toolkit to foster reproducible research and accelerate clinically applicable FL solutions, providing empirically grounded guidelines for real-world clinical deployment. The source code is available at https://github.com/meiluzhu/FL-MedSegBench.
• Abstract（参考訳）: Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。 しかし、医用画像分割のための標準化されたベンチマークが欠如していることは、FL法の公平かつ包括的な評価を妨げている。 FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。 本ベンチマークでは,10つの画像モダリティにまたがる9つのセグメンテーションタスクを網羅し,現実的な臨床的不均一性を伴う2次元および3次元のフォーマットを網羅した。 我々は,セグメント化精度,公平性,コミュニケーション効率,収束挙動,未確認領域への一般化の8つの汎用FL(gFL)および5つのパーソナライズFL(pFL)手法を系統的に評価した。 大規模な実験では、いくつかの重要な洞察が浮かび上がっています。 i) pFLメソッド、特にクライアント固有のバッチ正規化(\textit{e g }, FedBN)は、一貫して一般的なアプローチより優れています。 (ii) パフォーマンスがデータセットに依存している1つのメソッドが普遍的に支配することはない。 三 コミュニケーション周波数分析により、正規化に基づくパーソナライズ手法は、通信周波数の低減に際し、顕著な堅牢性を示す。 四 不正性評価は、不正なクライアントを保護するために、Ditto や FedRDN などの方法を特定する。 (v)未確認領域へのメソッドの一般化は、参加するクライアント間でうまく機能する能力に強く結びついている。 我々は,再現性のある研究を育成し,臨床応用のFLソリューションを加速するオープンソースツールキットをリリースする。 ソースコードはhttps://github.com/meiluzhu/FL-MedSegBench.comで入手できる。

関連論文リスト

• Federated Learning for Cross-Modality Medical Image Segmentation via Augmentation-Driven Generalization [0.0]
  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。
  論文  参考訳（メタデータ） (2026-02-24T11:13:01Z)
• Med-MMFL: A Multimodal Federated Learning Benchmark in Healthcare [8.87993480369896]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散化された医療機関間で協調的なモデルトレーニングを可能にする。 Med-MMFLは医療分野における最初の総合的MMFLベンチマークであり、様々なモダリティ、タスク、フェデレーションシナリオを含んでいる。 本ベンチマークでは,6つの最先端FLアルゴリズムを評価し,異なる集約戦略,損失定式化,正規化手法について検討した。
  論文  参考訳（メタデータ） (2026-02-04T10:50:15Z)
• 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)
• Federated Client-tailored Adapter for Medical Image Segmentation [21.964553228831427]
  医用画像セグメンテーションのための新しいFCAフレームワークを提案する。 FCAは、機密なローカルデータを共有せずに、安定かつクライアントに適したセグメンテーションを実現する。 我々は、アダプタを共通コンポーネントと個別コンポーネントに適応的に分解する2つのクライアント調整されたフェデレーション更新戦略を開発する。
  論文  参考訳（メタデータ） (2025-04-25T02:20:25Z)
• A Comprehensive View of Personalized Federated Learning on Heterogeneous Clinical Datasets [0.4926316920996346]
  フェデレートラーニング(FL)は、データサイロを克服する上で重要なアプローチである。 本研究は,臨床応用に焦点を当てたFL研究の進展に寄与する。
  論文  参考訳（メタデータ） (2023-09-28T20:12:17Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation [66.44449514373746]
  クロスサイロ・フェデレーション・ラーニング (FL) は近年, 深層学習による医用画像解析において注目されている。 FLでトレーニングされたモデルと、集中的なトレーニングでトレーニングされたモデルの間にはギャップがある。 本稿では,クライアントの問題を回避し,ドリフトギャップを解消するための新しいトレーニングフレームワークであるFedSMを提案する。
  論文  参考訳（メタデータ） (2022-03-18T19:50:07Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)

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。