論文の概要: Federated Medical Image Segmentation under Real-World Label Noise: A Benchmark Suite for Noisy Label Learning Method Selection

• arxiv url: http://arxiv.org/abs/2606.16868v1
• Date: Mon, 15 Jun 2026 15:44:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.679122
• Title: Federated Medical Image Segmentation under Real-World Label Noise: A Benchmark Suite for Noisy Label Learning Method Selection
• Title（参考訳）: 実世界のラベルノイズ下でのFederated Medical Image Segmentation: ノイズラベル学習方法選択のためのベンチマークスイート
• Authors: Markus Bujotzek, Dimitrios Bounias, Stefan Denner, Ralf Floca, Maximilian Fischer, Peter Neher, Klaus Maier-Hein,
• Abstract要約: Federated Noisy label learning (FNLL)は、クロスサイトラベルの欠陥を軽減することを目的としている。 既存の証拠は主に合成ノイズ、単純化された設定、限られた実世界のノイズ評価に基づいている。 本稿では,さまざまな実世界のノイズデータセット,デプロイメント関連クライアントノイズシナリオ,ラベルノイズ対象評価を組み合わせたベンチマークスイートを提案する。
• 参考スコア（独自算出の注目度）: 1.0744516445516847
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While federated learning (FL) enables collaborative medical image segmentation without centralizing sensitive data, real-world deployment is frequently complicated by cross-site label imperfections such as contour disagreement, missing or additional structures, and confused labels. Federated noisy label learning (FNLL) aims to mitigate these effects, yet remains underused in practice as existing evidence is largely based on synthetic noise, simplified settings, and limited real-world noisy evaluation. We address this gap by introducing a benchmark suite that combines diverse real-world noisy datasets, deployment-relevant client-noise scenarios, and label-noise-targeted evaluation to support systematic FNLL assessment and informed method selection. The suite combines curated real-world noisy medical image segmentation datasets from diverse sources with a comprehensive federated segmentation framework including various client-noise scenarios and noise-targeted evaluation. The presented suite provides a realistic and discriminative basis for FNLL evaluation in medical image segmentation and establishes a reusable foundation for fair benchmarking, dataset-specific label-noise characterization, and future method development under realistic federated settings. Code is available at https://github.com/MIC-DKFZ/FedSegNoiseBench.
• Abstract（参考訳）: 統合学習(FL)は、センシティブなデータを集中化せずに協調的な医療画像のセグメンテーションを可能にするが、輪郭不一致、欠落または追加構造、混乱したラベルなどのクロスサイトラベルの不完全さによって、実世界の展開は複雑である。 FNLL(Federated Noisy label learning)は、これらの効果を緩和することを目的としているが、既存の証拠は主に合成ノイズ、単純化された設定、限られた実世界の雑音評価に基づいているため、実際には過小評価されている。 このギャップに対処するために、さまざまな実世界のノイズデータセット、デプロイメント関連クライアント-ノイズシナリオ、ラベル-ノイズ目標評価を組み合わせたベンチマークスイートを導入し、体系的なFNLL評価と通知されたメソッド選択をサポートする。 このスイートは、さまざまなソースから収集された実世界のノイズの多い医療画像セグメンテーションデータセットと、さまざまなクライアントノイズシナリオやノイズターゲット評価を含む包括的なフェデレーションセグメンテーションフレームワークを組み合わせる。 提案スイートは、医用画像セグメンテーションにおけるFNLL評価の現実的で差別的な基礎を提供し、公正なベンチマーク、データセット固有のラベルノイズ評価、および現実的なフェデレーション環境下でのメソッド開発のための再利用可能な基盤を確立する。 コードはhttps://github.com/MIC-DKFZ/FedSegNoiseBenchで入手できる。

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)
• FNBench: Benchmarking Robust Federated Learning against Noisy Labels [23.660857480962104]
  本稿では,フェデレートラーニング(FL)における雑音ラベルに関する最初のベンチマーク研究について述べる。 本稿では, 合成ラベルノイズ, 不完全な人間のアノテーション誤り, 系統的誤りを含む3種類のラベルノイズパターンについて考察する。 評価には、5つの画像認識データセットと1つのテキスト分類データセットに18の最先端手法が組み込まれている。
  論文  参考訳（メタデータ） (2025-05-10T16:14:52Z)
• Group Benefits Instances Selection for Data Purification [21.977432359384835]
  ラベルノイズと戦う既存の方法は通常、合成データセット上で設計およびテストされる。 本稿では,合成および実世界の両方のデータセットに対するノイズラベル問題を緩和するGRIPという手法を提案する。
  論文  参考訳（メタデータ） (2024-03-23T03:06:19Z)
• FedDiv: Collaborative Noise Filtering for Federated Learning with Noisy Labels [99.70895640578816]
  雑音ラベル付きフェデレーション学習(F-LNL)は,協調型分散学習を通じて最適なサーバモデルを求めることを目的としている。 我々はF-LNLの課題に取り組むためにFedDivを提案し、特にフェデレートノイズフィルタと呼ばれるグローバルノイズフィルタを提案する。
  論文  参考訳（メタデータ） (2023-12-19T15:46:47Z)
• FedNoisy: Federated Noisy Label Learning Benchmark [53.73816587601204]
  フェデレーション学習は、クライアントからの機密データを集約することなく、分散学習で人気を集めている。 データ分離の分散と分離の性質は、データ品質によって複雑になり、ノイズの多いラベルに対してより脆弱になる可能性がある。 私たちは、研究者が潜在的にフェデレートされたノイズ設定を十分に調査するのに役立つ、最初の標準ベンチマークを提供しています。
  論文  参考訳（メタデータ） (2023-06-20T16:18:14Z)
• Learning Confident Classifiers in the Presence of Label Noise [5.551384206194696]
  本稿では,ノイズ観測のための確率論的モデルを提案し,信頼性の高い分類とセグメンテーションモデルの構築を可能にする。 実験により,本アルゴリズムは,検討された分類問題と分割問題に対して,最先端の解よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-02T04:27:25Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• FedCorr: Multi-Stage Federated Learning for Label Noise Correction [80.9366438220228]
  Federated Learning(FL)は、クライアントがグローバルモデルの共同トレーニングを可能にする、プライバシ保護の分散学習パラダイムである。 FLにおける異種ラベルノイズに対処する汎用多段階フレームワークであるtextttFedCorr$を提案する。 CIFAR-10/100でフェデレートされた合成ラベルノイズと実世界のノイズデータセットであるCloting1Mで実施された実験は、textttFedCorr$がラベルノイズに対して堅牢であることを実証した。
  論文  参考訳（メタデータ） (2022-04-10T12:51:18Z)

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。