論文の概要: When To Adapt? Adapting the Model or Data in Federated Medical Imaging

• arxiv url: http://arxiv.org/abs/2605.00892v1
• Date: Mon, 27 Apr 2026 20:17:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.455405
• Title: When To Adapt? Adapting the Model or Data in Federated Medical Imaging
• Title（参考訳）: フェデレーション・メディカル・イメージングにおけるモデルやデータへの適応
• Authors: Chamani Shiranthika, Parvaneh Saeedi,
• Abstract要約: フェデレートラーニングは、生データを共有せずに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。 この課題に対処する既存のアプローチは、モデル側パーソナライゼーションとデータ側ハーモニゼーションの2つの主要なパラダイムに分類される。 我々は、統一された枠組みの下で、最先端の調和とパーソナライズ手法を幅広く評価する。
• 参考スコア（独自算出の注目度）: 1.8190930020764042
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning enables collaborative model training across medical institutions without sharing raw data, but its performance is often limited by domain heterogeneity across clients. Existing approaches to address this challenge fall into two main paradigms: model-side personalization, which adapts model parameters to each client, and data-side harmonization, which reduces inter-client variation at the input level. Despite their widespread use, these strategies have not been systematically compared. In this work, we conduct a comprehensive study across six medical imaging settings-colon polyp, skin lesion, and breast tumor segmentation, and tuberculosis CXR, brain tumor, and breast tumor classification-covering diverse types of domain shift. We evaluate a broad set of state-of-the-art harmonization and personalization methods under a unified framework. Our results reveal a conditional trade-off driven by the nature of heterogeneity: harmonization is more effective when variation is primarily appearance-based (e.g., CXR classification), while personalization performs better when differences are structural (e.g., colon polyp segmentation). When inter-client variation is limited, both strategies perform similarly. These findings demonstrate that the effectiveness of adaptation in federated medical imaging depends on the type and magnitude of domain shift rather than the strategy alone. We provide practical guidelines for selecting between harmonization and personalization and highlight directions for future hybrid approaches that combine both paradigms. Code is available at https://github.com/ChamaniS/WhenToAdapt.
• Abstract（参考訳）: フェデレートラーニングは、生データを共有せずに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が、そのパフォーマンスはクライアント間のドメインの不均一性によって制限されることが多い。 モデル側パーソナライゼーション(モデル側パーソナライゼーション)は、各クライアントにモデルパラメータを適用するもので、データ側ハーモニゼーション(データ側ハーモニゼーション)は、入力レベルでのクライアント間のばらつきを低減する。 広く使われているにもかかわらず、これらの戦略は体系的に比較されていない。 本研究は, 大腸ポリープ, 皮膚病変, 乳癌セグメンテーション, 結核CXR, 脳腫瘍, 乳癌分類の6種類の領域シフトを包括的に調査した。 我々は、統一された枠組みの下で、最先端の調和とパーソナライズ手法を幅広く評価する。 異種性の性質によって引き起こされる条件付きトレードオフは,外見に基づく変化(例えば,CXR分類)が主である場合,調和はより効果的であるのに対して,個人化は構造的差異(例えば,大腸ポリープのセグメンテーション)がより良好である。 クライアント間の変動が制限された場合、どちらの戦略も同じように機能する。 これらの結果から, 医用画像の適応効果は, 戦略のみではなく, ドメインシフトのタイプと大きさに依存することが明らかとなった。 本稿では,調和とパーソナライゼーションの選択のための実践的ガイドラインと,両パラダイムを組み合わせた将来のハイブリッドアプローチの方向性について述べる。 コードはhttps://github.com/ChamaniS/WhenToAdapt.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)
• Unsupervised Domain Adaptation via Content Alignment for Hippocampus Segmentation [5.118486547573804]
  本稿では,MRIによる海馬間領域分割で発生する領域シフトに対処する,教師なし領域適応フレームワークを提案する。 本手法は、z正規化による効率的なスタイル調和と、双方向の変形可能な画像登録(DIR)戦略を組み合わせたものである。 人工海馬データセットと3つのMRI海馬データセットを総合的に評価し,集団の萎縮度を指標としたアプローチを検証した。
  論文  参考訳（メタデータ） (2025-10-15T01:34:41Z)
• Adaptive Aggregation Weights for Federated Segmentation of Pancreas MRI [5.631060921219683]
  フェデレートラーニング(FL)は、機密データを共有することなく、機関間で協調的なモデルトレーニングを可能にする。 フェデレート平均化(FedAvg)のような従来のFLメソッドは、ドメイン間の一般化において困難に直面している。 本稿では適応的なアグリゲーション重みを取り入れた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-29T20:53:01Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。