論文の概要: Federated Medical Image Classification under Class and Domain Imbalance exploiting Synthetic Sample Generation

• arxiv url: http://arxiv.org/abs/2604.26324v1
• Date: Wed, 29 Apr 2026 06:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.270472
• Title: Federated Medical Image Classification under Class and Domain Imbalance exploiting Synthetic Sample Generation
• Title（参考訳）: 合成サンプル生成を利用したクラス・ドメイン不均衡下のフェデレーション医用画像分類
• Authors: Martina Pavan, Matteo Caligiuri, Francesco Barbato, Pietro Zanuttigh,
• Abstract要約: FedSSGは、様々なイメージングデバイスによって引き起こされるドメインシフトに対処し、希少な病態の低発現を緩和する。 主要なコントリビューションは、合成サンプルを生成し、それらをクライアントに分散して、未表現の病態とイメージングデバイスの両方のカバレッジを改善するための戦略である。
• 参考スコア（独自算出の注目度）: 13.138680117480954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exploiting deep learning in medical imaging faces critical challenges, including strict privacy constraints, heterogeneous imaging devices with varying acquisition properties, and class imbalance due to the uneven prevalence of pathologies. In this work, we propose FedSSG, a novel Federated Learning framework that addresses domain shifts caused by diverse imaging devices while mitigating the under-representation of rare pathologies. The key contribution is a strategy for generating synthetic samples and distributing them across clients to improve coverage of both underrepresented pathologies and imaging devices. Experimental results demonstrate that our approach significantly enhances model performance and generalization across heterogeneous institutions, with minimal computational overhead at the client side.
• Abstract（参考訳）: 医用画像における深層学習の爆発は、厳密なプライバシー制約、取得特性の異なる異種イメージングデバイス、病理の不均一な頻度によるクラス不均衡など、重大な課題に直面している。 本稿では, 多様な画像装置による領域シフトに対処し, 希少な病態の表現不足を緩和するフェデレートラーニングフレームワークであるFedSSGを提案する。 重要な貢献は、合成サンプルを生成し、それらをクライアントに分散して、未表現の病態と画像装置の両方のカバレッジを改善する戦略である。 実験の結果,クライアント側では計算オーバーヘッドが最小限に抑えられて,異種機関間のモデル性能と一般化が著しく向上することが示された。

関連論文リスト

• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• AGGRNet: Selective Feature Extraction and Aggregation for Enhanced Medical Image Classification [11.697160779548504]
  我々は,詳細な視覚パターンを理解するために,情報的・非情報的特徴を抽出するAGGRNetフレームワークを提案する。 KvasirデータセットのSOTAモデルよりも5%向上した。
  論文  参考訳（メタデータ） (2025-11-15T23:01:09Z)
• Synthetic Generation of Dermatoscopic Images with GAN and Closed-Form Factorization [12.753792457271953]
  本稿では,GAN(Generative Adversarial Network)ベースのモデルを活用する,革新的な教師なし拡張ソリューションを提案する。 セマンティックなバリエーションを取り入れた合成画像を作成し、これらの画像でトレーニングデータを拡張した。 皮膚病変分類において,機械学習モデルの性能を向上し,非アンサンブルモデルに新しいベンチマークを設定できた。
  論文  参考訳（メタデータ） (2024-10-07T15:09:50Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
  画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。 また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
  論文  参考訳（メタデータ） (2023-02-23T06:16:15Z)
• A Self-attention Guided Multi-scale Gradient GAN for Diversified X-ray Image Synthesis [0.6308539010172307]
  GAN(Generative Adversarial Networks)を用いて,合成画像の生成によるデータ制限問題に対処する。 モード崩壊、非収束、不安定といったトレーニング課題は、多彩で高品質な画像の合成において、GANのパフォーマンスを低下させる。 本研究では,バイオメディカル画像の特徴の長距離依存性の関係をモデル化する,注意誘導型マルチスケール勾配GANアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-09T13:17:17Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。