論文の概要: Adaptive Differential Privacy for Federated Medical Image Segmentation Across Diverse Modalities

• arxiv url: http://arxiv.org/abs/2604.06518v1
• Date: Tue, 07 Apr 2026 23:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.267364
• Title: Adaptive Differential Privacy for Federated Medical Image Segmentation Across Diverse Modalities
• Title（参考訳）: 各種モダリティにおけるFederated Medical Image Segmentationの適応的差分プライバシー
• Authors: Puja Saha, Eranga Ukwatta,
• Abstract要約: 医用画像セグメンテーションのための適応型偏微分プライベート・フェデレーション学習フレームワークを提案する。 提案手法はトレーニングを安定化し、Diceスコアとセグメンテーション境界品質を大幅に改善し、厳格なプライバシー保証を維持する。 ADP-FLは従来のフェデレーション学習と標準的な差分的フェデレーション学習と比較して、高い精度、境界線線の改善、より高速な収束、より優れたトレーニング安定性を実現している。
• 参考スコア（独自算出の注目度）: 0.3560429497877326
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large volumes of medical data remain underutilized because centralizing distributed data is often infeasible due to strict privacy regulations and institutional constraints. In addition, models trained in centralized settings frequently fail to generalize across clinical sites because of heterogeneity in imaging protocols and continuously evolving data distributions arising from differences in scanners, acquisition parameters, and patient populations. Federated learning offers a promising solution by enabling collaborative model training without sharing raw data. However, incorporating differential privacy into federated learning, while essential for privacy guarantees, often leads to degraded accuracy, unstable convergence, and reduced generalization. In this work, we propose an adaptive differentially private federated learning (ADP-FL) framework for medical image segmentation that dynamically adjusts privacy mechanisms to better balance the privacy-utility trade-off. The proposed approach stabilizes training, significantly improves Dice scores and segmentation boundary quality, and maintains rigorous privacy guarantees. We evaluated ADP-FL across diverse imaging modalities and segmentation tasks, including skin lesion segmentation in dermoscopic images, kidney tumor segmentation in 3D CT scans, and brain tumor segmentation in multi-parametric MRI. Compared with conventional federated learning and standard differentially private federated learning, ADP-FL consistently achieves higher accuracy, improved boundary delineation, faster convergence, and greater training stability, with performance approaching that of non-private federated learning under the same privacy budgets. These results demonstrate the practical viability of ADP-FL for high-performance, privacy-preserving medical image segmentation in real-world federated settings.
• Abstract（参考訳）: 厳格なプライバシー規制と制度上の制約により、分散データの集中化は不可能であることが多いため、大量の医療データが未利用のままである。 さらに、画像プロトコルの不均一性や、スキャナー、取得パラメータ、患者集団の違いによる連続的なデータ分布が原因で、集中的にトレーニングされたモデルは、臨床現場間での一般化に失敗することが多い。 フェデレーション学習は、生データを共有せずに協調的なモデルトレーニングを可能にすることで、有望なソリューションを提供する。 しかし、差分プライバシーをフェデレーション学習に組み込むことは、プライバシ保証に不可欠であるが、しばしば劣化した精度、不安定な収束、一般化の減少につながる。 本研究では,医療画像セグメンテーションのための適応型微分プライベートフェデレーション学習(ADP-FL)フレームワークを提案する。 提案手法はトレーニングを安定化し、Diceスコアとセグメンテーション境界品質を大幅に改善し、厳格なプライバシー保証を維持する。 ADP-FLは,3次元CT画像における皮膚病変のセグメンテーション,腎腫瘍のセグメンテーション,マルチパラメトリックMRIにおける脳腫瘍のセグメンテーションなど,様々な画像モダリティやセグメンテーションタスクにまたがって評価した。 ADP-FLは従来のフェデレーション学習と標準的な差分的フェデレーション学習と比較して、常に高い精度、境界線化の改善、より高速な収束、トレーニング安定性を実現し、同一のプライバシー予算の下で非プライベートフェデレーション学習に近づいた。 これらの結果は,現実のフェデレーション環境下でのハイパフォーマンス・プライバシ保護型医用画像セグメンテーションにおけるADP-FLの実現可能性を示すものである。

関連論文リスト

• Federated Learning for Privacy-Preserving Medical AI [0.0]
  この論文は,3次元MRIデータを用いたアルツハイマー病分類のためのプライバシ保護フェデレーション学習について検討した。 既存の方法論は、非現実的なデータパーティショニング、不適切なプライバシー保証、不十分なベンチマークに悩まされることが多い。 これらのギャップに対処するために,施設の境界を保った新しいサイト対応データ分割戦略を提案する。
  論文  参考訳（メタデータ） (2026-03-16T20:46:21Z)
• Privacy-Preserving Collaborative Medical Image Segmentation Using Latent Transform Networks [2.4149105714758545]
  本研究は、異種医療データセット用に設計されたプライバシ保護協調医療画像セグメンテーションフレームワーク(PPCMI-SF)を紹介する。 サーバ側の統一マッピングネットワークは、複数スケールの潜時-潜時変換を実行し、生データを公開することなくセグメンテーション推論を可能にする。
  論文  参考訳（メタデータ） (2026-03-04T12:05:45Z)
• 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)
• Differential privacy for medical deep learning: methods, tradeoffs, and deployment implications [4.15598192943552]
  ディファレンシャルプライバシ(DP)は、医学的深層学習(DL)における機密データ保護の鍵となる技術である 臨床モデルがデータに依存しやすくなるにつれ、プライバシーと実用性と公正性とのバランスが重要な課題となっている。 医療用DLへのDP適用の最近の進展を概観する。
  論文  参考訳（メタデータ） (2025-05-31T18:03:15Z)
• 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)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• 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。