論文の概要: QFedPolyp: A Communication- and Inference-Efficient Federated Learning Framework for Polyp Segmentation
- arxiv url: http://arxiv.org/abs/2607.22743v1
- Date: Thu, 23 Jul 2026 01:50:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.850726
- Title: QFedPolyp: A Communication- and Inference-Efficient Federated Learning Framework for Polyp Segmentation
- Title（参考訳）: QFedPolyp: ポリープセグメンテーションのためのコミュニケーションおよび推論効率の良いフェデレーションラーニングフレームワーク
- Authors: Madan Baduwal, Priyanka Paudel,
- Abstract要約: QFedPolypは量子化対応トレーニングと低精度モデル通信を組み合わせる。
ユニフォーム8ビット通信は送信コストを約4倍削減する。
結果: 量子化モデルは、完全精度モデルよりも1.5倍高速な推論を実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background and Objective: Automatic polyp segmentation supports computer-aided diagnosis and early colorectal cancer detec- tion. Centralized deep learning requires hospitals to share sensitive medical data, while federated learning preserves privacy but introduces high communication costs through repeated transmission of full-precision model parameters. We propose QFedPolyp, a communication- and inference-efficient federated learning framework for collaborative polyp segmentation. Methods: QFedPolyp combines quantization-aware training with low-precision model communication. Each hospital locally trains a lightweight U-Net on private data while simulating quantization during training. Clients transmit quantized model parameters to a central server, where they are reconstructed and aggregated using Federated Averaging. Evaluation is performed on Kvasir-SEG, CVC-ClinicVideoDB, PolypGen, and BKAI-IGH NeoPolyp. Results: Full-precision federated training achieves Dice scores of 0.910 on Kvasir-SEG and 0.930 on CVC-ClinicVideoDB. Uni- form 8-bit communication reduces transmission cost by approximately 4 times while preserving competitive segmentation accuracy. Quantized models also achieve up to 1.5 times faster inference than full-precision models. Conclusions: QFedPolyp enables privacy-preserving collaborative polyp segmentation with reduced communication overhead and faster inference. The resulting lightweight models are suitable for real-time clinical deployment.
- Abstract（参考訳）: 背景と目的: 自動ポリープセグメンテーションはコンピュータ支援診断と早期大腸癌のdetec-tionをサポートする。
集中型深層学習は、病院が機密性の高い医療データを共有することを要求する一方で、連合型学習はプライバシを保護しつつ、完全精度モデルパラメータの繰り返し送信を通じて通信コストを高くする。
協調型ポリープセグメンテーションのための通信および推論効率の高いフェデレート学習フレームワークであるQFedPolypを提案する。
方法:QFedPolypは量子化対応トレーニングと低精度モデル通信を組み合わせる。
各病院は、トレーニング中に量子化をシミュレーションしながら、プライベートデータで軽量なU-Netをローカルにトレーニングする。
クライアントは量子化されたモデルパラメータを中央のサーバに送信し、フェデレート平均化を使って再構築して集約する。
Kvasir-SEG、CVC-ClinicVideoDB、PolypGen、BKAI-IGH NeoPolypで評価を行う。
結果: CVC-ClinicVideoDBでは, Kvasir-SEGでは0.910点, CVC-ClinicVideoDBでは0.930点であった。
ユニフォーム8ビット通信は、競合セグメンテーションの精度を維持しながら、送信コストを約4倍削減する。
量子モデルはまた、完全精度モデルよりも1.5倍高速な推論を実現する。
結論: QFedPolypは、通信オーバーヘッドの低減と推論の高速化による、プライバシ保護によるコラボレーティブなポリプセグメンテーションを可能にする。
結果として生じる軽量モデルは、リアルタイムな臨床展開に適している。
関連論文リスト
- CL-Polyp: A Contrastive Learning-Enhanced Network for Accurate Polyp Segmentation [2.000434989156371]
CL-Polypを提案する。
本手法は, コントラスト学習を用いて, エンコーダの識別的特徴抽出を強化する。
臨床ポリープセグメンテーションにおける最先端の手法を一貫して超越している。
論文 参考訳（メタデータ） (2025-07-09T13:07:45Z) - Polyp-E: Benchmarking the Robustness of Deep Segmentation Models via Polyp Editing [32.30835026874521]
日常的な臨床実践では、臨床医は位置と大きさのばらつきの両方でポリープを識別する堅牢性を示す。
自動大腸内視鏡検査において,深部分割モデルが同等の堅牢性を達成できるかどうかは不明である。
本研究は,ポリプ上でのセグメンテーションモデルのロバスト性について,様々な属性と健全なサンプルを用いて評価することに焦点を当てる。
論文 参考訳（メタデータ） (2024-10-22T06:30:37Z) - ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。
SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。
CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
論文 参考訳（メタデータ） (2024-06-30T14:55:32Z) - ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic
Polyp Detection [88.4359020192429]
既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。
本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。
Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。
微調整段階におけるIoU誘導サンプル再重み付けの導入
論文 参考訳（メタデータ） (2024-01-10T07:03:41Z) - Multi Kernel Positional Embedding ConvNeXt for Polyp Segmentation [7.31341312596412]
本稿では,ConvNeXtバックボーンとMulti Kernel Positional Embeddingブロックで構成される新しいフレームワークを提案する。
我々のモデルは,Kvasir-SEGデータセット上でのDice係数0.8818とIOUスコア0.8163を達成する。
論文 参考訳（メタデータ） (2023-01-17T03:12:57Z) - Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。
従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。
この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
論文 参考訳（メタデータ） (2023-01-12T09:53:57Z) - Rethinking the transfer learning for FCN based polyp segmentation in
colonoscopy [7.786297008452384]
本稿では,FCNタスクとCNNタスクを結合した,シンプルで効果的なポリプセグメンテーションパイプラインを提案する。
これは、EndoSceneStillとKvasir-SEGデータセットの最先端メソッドと比較して、4.34%と5.70%のPolyp-IoU改善を実現している。
論文 参考訳（メタデータ） (2022-11-04T12:42:58Z) - Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。
既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。
大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
論文 参考訳（メタデータ） (2021-08-11T07:54:07Z) - Training Recommender Systems at Scale: Communication-Efficient Model and
Data Parallelism [56.78673028601739]
通信効率のよいハイブリッドトレーニングのためのDCT(Dynamic Communication Thresholding)という圧縮フレームワークを提案する。
DCTは、それぞれDPとMPの間に、少なくとも$100times$と$20times$の通信を削減します。
最先端の産業レコメンデーションモデルのエンドツーエンドのトレーニング時間を、パフォーマンスを損なうことなく、37%改善する。
論文 参考訳（メタデータ） (2020-10-18T01:44:42Z) - PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。
並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。
さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
論文 参考訳（メタデータ） (2020-06-13T08:13:43Z)
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。