論文の概要: FedCC: A Low-Resource Federated Adaptation of Foundation Models for Robust Corpus Callosum localization in Fetal Ultrasound Images
- arxiv url: http://arxiv.org/abs/2607.18283v1
- Date: Tue, 30 Jun 2026 09:02:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.105972
- Title: FedCC: A Low-Resource Federated Adaptation of Foundation Models for Robust Corpus Callosum localization in Fetal Ultrasound Images
- Title（参考訳）: FedCC:胎児超音波画像におけるロバストコーパスカロサム局在の低リソースフェデレーション適応
- Abstract要約: 胎児US画像におけるコーパス・カロサム(CC)の局在化のためのフレームワークであるFedCCを提案する。
このフレームワークは凍結したDINOv2バックボーンと軽量なYOLOベースの検出ヘッドを統合している。
計算と通信のオーバーヘッドを大幅に減らし、低リソース環境に適したフレームワークとなる。
- 参考スコア（独自算出の注目度）: 34.592227505836156
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate localization of the corpus callosum (CC) in fetal ultrasound (US) images is crucial for the early identification of neurodevelopmental abnormalities. However, this task remains highly challenging due to the intrinsic limitations of US imaging, including low contrast, speckle noise, and the considerable anatomical variability of the CC. We propose FedCC, a federated learning (FL)-based framework for CC localization in fetal US images, specifically designed for realistic multi-center and resource-constrained clinical settings without requiring data sharing. The framework integrates a frozen DINOv2 backbone with a lightweight YOLO-based detection head. To enable parameter-efficient adaptation, Low-Rank Adaptation (LoRA) modules are incorporated, allowing only a small subset of parameters to be optimized and exchanged among clients. This strategy substantially reduces both computational and communication overhead, making the framework suitable for low-resource environments. The proposed approach was evaluated on a multi-center dataset comprising 10,970 ultrasound frames acquired from 58 pregnant women during routine neurosonographic examinations across three clinical sites using heterogeneous imaging devices. The proposed framework achieved strong performance in the federated setting. In particular, the combination of DINOv2 and LoRA under the FedAvg strategy achieved an average mAP@50 of 0.857 and an F1-score of 0.803, outperforming both full fine-tuning and encoder-freezing baselines. Notably, the proposed approach reduced the number of trainable parameters to 2.9M compared with 24.4M in full fine-tuning, corresponding to an approximately 8.5$\times$ reduction in communication cost. These findings represent a promising step toward scalable, privacy-preserving, and clinically deployable AI systems for fetal neurosonography.
- Abstract（参考訳）: 胎児超音波(US)画像におけるコーパス・カロサム(CC)の正確な局在は,神経発達異常の早期発見に不可欠である。
しかし、この課題は、低コントラスト、スペックルノイズ、CCの相当な解剖学的変動など、アメリカのイメージングの本質的な限界のために、非常に困難なままである。
フェデレート学習(FL)に基づく胎児US画像のCCローカライズのためのフレームワークであるFedCCを提案する。
このフレームワークは凍結したDINOv2バックボーンと軽量なYOLOベースの検出ヘッドを統合している。
パラメータ効率の適応を可能にするため、LoRA(Lo-Rank Adaptation)モジュールが組み込まれ、少数のパラメータのみを最適化し、クライアント間で交換できる。
この戦略は計算と通信のオーバーヘッドを大幅に減らし、低リソース環境に適したフレームワークとなる。
提案手法は, 58名の妊婦から取得した10,970個の超音波フレームからなるマルチセンターデータセットを用いて, 異種イメージング装置を用いた3つの臨床部位にわたる定期的な神経超音波検査を行った。
提案したフレームワークは、フェデレートされた設定で高い性能を達成した。
特に、FedAvg戦略下でのDINOv2とLoRAの組み合わせは平均mAP@50の0.857とF1スコアの0.803を達成し、フル微調整およびエンコーダフリーズベースラインを上回った。
特に、提案手法では、訓練可能なパラメータの数を2.9Mに減らし、フル微調整では24.4Mとし、通信コストの約8.5$\times$に削減した。
これらの発見は、胎児神経超音波検査のためのスケーラブルでプライバシー保護され、臨床にデプロイ可能なAIシステムに向けた、有望なステップである。
関連論文リスト
- Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。
VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。
本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
論文 参考訳（メタデータ） (2026-09-11T05:21:01Z) - SonoCLIP: Mask-Guided Region-Aware Vision-Language Pretraining for Fetal Ultrasound Analysis [51.81845420301345]
SonoCLIPは胎児超音波解析のための視覚言語基盤モデルである。
セグメンテーションマスクを視覚エンコーダ内にマスクチャネル視覚プロンプトとして組み込む。
グローバルおよびマスク誘導推論の両方において、ゼロショット転送性能に優れる。
論文 参考訳（メタデータ） (2026-06-28T20:04:49Z) - Differential Attention-Augmented BiomedCLIP with Asymmetric Focal Optimization for Imbalanced Multi-Label Video Capsule Endoscopy Classification [1.2246649738388389]
本研究は,ビデオカプセル内視鏡(VCE)のためのマルチラベル分類フレームワークを提案する。
アーキテクチャと最適化レベルの戦略を組み合わせることで、Galarデータセットに固有の極端なクラス不均衡に対処する。
論文 参考訳（メタデータ） (2026-03-18T16:04:50Z) - A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
MRIからCTへの変換にはGANアーキテクチャが提案されている。
我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
論文 参考訳（メタデータ） (2026-03-13T18:54:20Z) - Med-DualLoRA: Local Adaptation of Foundation Models for 3D Cardiac MRI [1.2782432265370094]
Med-DualLoRAは,グローバルな共有およびローカルなローランク適応(LoRA)を加法分解によって分散する,クライアント対応パラメータ効率の高い微調整フレームワークである。
ACDCとM&Msデータセットを併用した多心式3次元CMR FMによる疾患検出法について検討した。
論文 参考訳（メタデータ） (2026-03-11T16:52:21Z) - Revisiting Global Token Mixing in Task-Dependent MRI Restoration: Insights from Minimal Gated CNN Baselines [43.505945728449774]
グローバルトークンミキシングはMRIの復元において一般的なモデル設計の選択肢となっている。
グローバルトークンミキシングは,各タスクにおいて,3つの代表的な設定で実際に有用かどうかを問う。
MRIの再生を高速化するために、最小限のアンロールゲート-CNNベースラインは、すでに非常に競争力がある。
制御された低パス劣化により、低周波k空間データがほとんど保存されている超解像の場合、局所ゲートモデルは競争力を維持する。
空間的ヘテロセダスティックノイズを発音する場合には,トークン混合モデルが最も高い総合的な性能が得られる。
論文 参考訳（メタデータ） (2026-03-02T04:57:52Z) - A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy [8.701084151107652]
糖尿病性末梢神経障害(DPN)における角膜共焦点顕微鏡による小線維損傷の評価
強靭で自動的なディープラーニングに基づく診断モデルの開発は、角膜神経形態学におけるラベル付きデータの不足ときめ細かい変化によって制限される。
臨床誘導CCM画像合成のためのWDLoRAに基づくマルチモーダル生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-14T09:32:44Z) - S2M-Net: Spectral-Spatial Mixing for Medical Image Segmentation with Morphology-Aware Adaptive Loss [0.0]
医療画像のセグメンテーションには、境界クリティカルな臨床応用のための局所的精度、解剖学的コヒーレンスのためのグローバルコンテキスト、および既存のアーキテクチャが解決できない限られたデータやハードウェア上のデプロイのための計算効率のバランスが必要である。
我々は,S2M-Netを提案する。S2M-Netは,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,Morphology-Aware Adaptive Loss(MAS)の2つの相乗的イノベーションを通じて,グローバルなコンテキストを実現するためのアーキテクチャである。
論文 参考訳（メタデータ） (2026-01-03T21:03:54Z) - UniUltra: Interactive Parameter-Efficient SAM2 for Universal Ultrasound Segmentation [47.18256805790662]
Segment Anything Model 2 (SAM2) は、自然画像に顕著な普遍的なセグメンテーション機能を示す。
この制限は、パラメータ効率を維持しながらSAM2を超音波画像に効率的に適応する方法と、リソース制約された臨床環境において適応モデルを効果的に展開する方法の2つの重要な課題を提起する。
本報告では,UniUltraを超音波の普遍的セグメンテーションのために提案する。特に,パラメータ効率の良い微調整を実現しつつ,多様な超音波画像の微粒化知覚を高める新しいコンテキストエッジハイブリッドアダプタ(CH-Adapter)を提案する。
論文 参考訳（メタデータ） (2025-11-19T17:42:49Z) - FedSynthCT-Brain: A Federated Learning Framework for Multi-Institutional Brain MRI-to-CT Synthesis [1.7239326521335454]
Fed SynthCT-Brainは、脳画像におけるMRI-to-sCTのためのFederated Learningパラダイムに基づくアプローチである。
クロスサイロ水平FLアプローチにより、複数のセンタがU-Netベースのディープラーニングモデルを協調的にトレーニングできる。
論文 参考訳（メタデータ） (2024-12-09T17:32:54Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳（メタデータ） (2023-07-02T05:26:54Z)
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。