論文の概要: OmniFM: Toward Modality-Robust and Task-Agnostic Federated Learning for Heterogeneous Medical Imaging

• arxiv url: http://arxiv.org/abs/2603.21660v1
• Date: Mon, 23 Mar 2026 07:38:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.545359
• Title: OmniFM: Toward Modality-Robust and Task-Agnostic Federated Learning for Heterogeneous Medical Imaging
• Title（参考訳）: OmniFM : 不均一な医用画像のモダリティ・ロバストとタスク非依存のフェデレーション学習に向けて
• Authors: Meilin Liu, Jiaying Wang, Jing Shan,
• Abstract要約: OmniFMは、分類、セグメンテーション、超解像、視覚的質問応答、マルチモーダル融合のトレーニングを統一するモダリティおよびタスクに依存しないFLフレームワークである。 実世界のデータセットの実験では、OmniFMは最先端のFLベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 5.7838287813897225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) has become a promising paradigm for collaborative medical image analysis, yet existing frameworks remain tightly coupled to task-specific backbones and are fragile under heterogeneous imaging modalities. Such constraints hinder real-world deployment, where institutions vary widely in modality distributions and must support diverse downstream tasks. To address this limitation, we propose OmniFM, a modality- and task-agnostic FL framework that unifies training across classification, segmentation, super-resolution, visual question answering, and multimodal fusion without re-engineering the optimization pipeline. OmniFM builds on a key frequency-domain insight: low-frequency spectral components exhibit strong cross-modality consistency and encode modality-invariant anatomical structures. Accordingly, OmniFM integrates (i) Global Spectral Knowledge Retrieval to inject global frequency priors, (ii) Embedding-wise Cross-Attention Fusion to align representations, and (iii) Prefix-Suffix Spectral Prompting to jointly condition global and personalized cues, together regularized by a Spectral-Proximal Alignment objective that stabilizes aggregation. Experiments on real-world datasets show that OmniFM consistently surpasses state-of-the-art FL baselines across intra- and cross-modality heterogeneity, achieving superior results under both fine-tuning and training-from-scratch setups.
• Abstract（参考訳）: フェデレートラーニング(FL)は、協調医療画像解析において有望なパラダイムとなっているが、既存のフレームワークはタスク固有のバックボーンと強く結びついており、不均一な画像モダリティの下で脆弱である。 このような制約は、組織が様々に分散し、下流の様々なタスクをサポートしなければならない現実世界の展開を妨げる。 この制限に対処するため、最適化パイプラインを再設計することなく、分類、セグメンテーション、超解像、視覚的質問応答、マルチモーダル融合のトレーニングを統一するモダリティおよびタスクに依存しないFLフレームワークであるOmniFMを提案する。 OmniFMは重要な周波数領域の洞察に基づいており、低周波スペクトル成分は強いクロスモダリティ一貫性を示し、モダリティ不変の解剖学的構造を符号化する。 したがって、OmniFMは統合される。 一 グローバルスペクトル知識検索により、グローバル周波数先行を注入すること。 (二)表現の整合を図った埋め込み的クロスアテンション融合及び 三 グローバル及びパーソナライズされたキューを共同で条件付けし、集積を安定させるスペクトル・プロキシアライメント目標により調整すること。 実世界のデータセットでの実験では、OmniFMは最先端のFLベースラインを常に超越しており、細調整とスクラッチからのトレーニングの両方で優れた結果が得られる。

関連論文リスト

• FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation [57.930067699003764]
  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。
  論文  参考訳（メタデータ） (2026-03-12T08:28:41Z)
• Federated Modality-specific Encoders and Partially Personalized Fusion Decoder for Multimodal Brain Tumor Segmentation [42.69983276114173]
  本研究は,共振モード特異的エンコーダと部分パーソナライズされたマルチモーダルフュージョンデコーダを備えた新しいFLフレームワークを提案する。 FedMEPDは、BraTS 2018と2020のマルチモーダル脳腫瘍セグメンテーションベンチマークで検証されている。
  論文  参考訳（メタデータ） (2026-03-05T07:25:58Z)
• Fusion of Heterogeneous Pathology Foundation Models for Whole Slide Image Analysis [10.323462166785133]
  完全スライド画像(WSI)解析は、計算病理学においてますます必須の手法になりつつある。 病理基盤モデル(FM)の最近の進歩は,WSIから有意義なパッチレベルやスライドレベルの特徴表現を導出する上で,大きな優位性を示している。 本研究では,FuseCPathと呼ばれる異種病的FMの融合のための新しいフレームワークを提案し,より優れたアンサンブル性能を持つモデルを生成する。
  論文  参考訳（メタデータ） (2025-10-31T06:59:11Z)
• AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
  本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:09:31Z)
• Learning to Fuse: Modality-Aware Adaptive Scheduling for Robust Multimodal Foundation Models [0.0]
  モーダリティ・アウェア・アダプティブ・フュージョン・スケジューリング(MA-AFS)は、各モーダリティの寄与をインスタンス単位で動的に調節することを学ぶ。 本研究は, 適応融合の重要性を強調し, 信頼性と不確実性を考慮したマルチモーダル学習に向けた有望な方向性を開く。
  論文  参考訳（メタデータ） (2025-06-15T05:57:45Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。 この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• ClusMFL: A Cluster-Enhanced Framework for Modality-Incomplete Multimodal Federated Learning in Brain Imaging Analysis [28.767460351377462]
  脳画像解析の文脈では、モダリティの不完全性は重要な課題である。 本稿では,機能クラスタリングを利用した新しいMFLフレームワークであるClusMFLを提案する。 ClusMFLは、様々なモダリティの不完全性のレベルにまたがる様々なベースライン手法と比較して、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-02-14T09:33:59Z)
• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)

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。