論文の概要: Where Physics Meets Privacy: Federated PINNs for Privacy-Preserving Brain Tumor Biomechanical Modeling
- arxiv url: http://arxiv.org/abs/2607.26207v1
- Date: Tue, 28 Jul 2026 19:15:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.457757
- Title: Where Physics Meets Privacy: Federated PINNs for Privacy-Preserving Brain Tumor Biomechanical Modeling
- Title（参考訳）: プライバシにまつわる物理:プライバシを保存する脳腫瘍バイオメカニカルモデリングのためのPINN
- Abstract要約: 本研究では,線形弾性方程式に基づく連合学習と物理情報損失を組み合わせたニューラルネットワークを提案する。
モデル全体の精度は91.4%に達し、プールデータに基づいて訓練された非連邦ベースラインの90.0%、下垂体腫瘍の精度は85.6から94.5%まで上昇した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain tumors such as glioma, meningioma, and pituitary adenoma alter the mechanical behavior of soft brain tissue, yet common diagnostic methods rely on static imaging that cannot capture tumor growth, tissue displacement, or changes in stiffness over time. Deep learning models for this task typically require pooling patient data at one site, which conflicts with privacy rules such as GDPR and HIPAA and limits generalization across institutions, a challenge that is pronounced in neuro oncology given patient diversity. This study presents a federated physics informed neural network combining federated learning with a physics informed loss built on the equations of linear elasticity. Three simulated clinical sites each train a local network on patient specific MRI data using a physics informed loss, and only model weights are shared with a central server through the FedAvg protocol over one hundred rounds, keeping raw data at its site of origin. The federated model reached an overall accuracy of 91.4%, against 90.0% for a non federated baseline trained on pooled data, an average AUC of 0.985 across tumor classes, and a rise in pituitary tumor accuracy from 85.6 to 94.5%. Training produced smooth, divergence free displacement fields consistent with expected tissue deformation, showing that federated training can be paired with physics based constraints without a meaningful loss in performance.
- Abstract（参考訳）: グリオーマ、髄膜腫、下垂体腺腫などの脳腫瘍は軟部組織の機械的挙動を変化させるが、一般的な診断法は、腫瘍の成長、組織変位、時間の経過とともに硬さの変化を捉えられない静的な画像に依存する。
このタスクのディープラーニングモデルは、一般的に、GDPRやHIPAAなどのプライバシー規則と矛盾し、組織間の一般化を制限する、ある場所で患者のデータをプールする必要がある。
本研究では,線形弾性方程式に基づく連合学習と物理情報損失を組み合わせたニューラルネットワークを提案する。
3つのシミュレートされた臨床現場は、それぞれ、患者固有のMRIデータに基づいて、物理情報損失を使用してローカルネットワークをトレーニングし、モデルウェイトのみが、FedAvgプロトコルを介して、100ラウンド以上にわたって中央サーバーと共有され、生データを原点に保持する。
総合的な精度は91.4%に達し、プールデータに基づいてトレーニングされた非連邦ベースラインの90.0%、腫瘍クラスの平均AUCは0.985、下垂体腫瘍の精度は85.6から94.5%まで上昇した。
トレーニングは、期待される組織変形と一致したスムースでばらつきのない変位場を生成し、フェデレートされたトレーニングは、パフォーマンスの有意義な損失を伴わずに、物理学に基づく制約と組み合わせることができることを示した。
関連論文リスト
- Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
パーキンソン病は世界中で1千万人以上に影響している。
個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。
我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
論文 参考訳（メタデータ） (2026-03-31T02:36:10Z) - Physics-Embedded Feature Learning for AI in Medical Imaging [4.951195507300242]
PhysNetは物理組み込みのディープラーニングフレームワークで、腫瘍成長のダイナミクスを直接特徴学習プロセスに統合する。
このアーキテクチャは、潜伏する腫瘍密度場を学習しながら、複数クラスの腫瘍分類を共同で行う。
PhysNetは解釈可能な潜伏表現を生成し、確立された医療知識と整合する生体物理パラメータを学習する。
論文 参考訳（メタデータ） (2026-03-30T05:45:27Z) - Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。
Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。
最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
論文 参考訳（メタデータ） (2026-03-08T09:54:08Z) - Federated Transformer-GNN for Privacy-Preserving Brain Tumor Localization with Modality-Level Explainability [0.2683233968306505]
本稿では,脳腫瘍の局所化のための統合学習フレームワークを提案する。
提案手法は,従来のデコーダフリースーパーボクセルGNNから派生したハイブリッドトランスフォーマー-グラフニューラルネットワークアーキテクチャを拡張した。
本稿では,トランスフォーマーのアテンション機構による説明可能性解析を行い,MRIのモーダルティがモデル予測を駆動することを示す。
論文 参考訳（メタデータ） (2026-01-21T14:46:00Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。
腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
論文 参考訳（メタデータ） (2024-09-30T15:36:14Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Empowering Healthcare through Privacy-Preserving MRI Analysis [3.6394715554048234]
本稿では,Ensemble-Based Federated Learning (EBFL)フレームワークを紹介する。
EBFLフレームワークは、機密性の高い患者データを共有することよりも、モデルの特徴を強調することによって、従来のアプローチから逸脱する。
グリオーマ,髄膜腫,下垂体,非腫瘍例などの脳腫瘍の分類において,有意な精度が得られた。
論文 参考訳（メタデータ） (2024-03-14T19:51:18Z) - Personalized Predictions of Glioblastoma Infiltration: Mathematical Models, Physics-Informed Neural Networks and Multimodal Scans [1.696497161881026]
医学的MRI検査からGlioblastoma (GBM) の浸潤を予測することは腫瘍の増殖動態を理解する上で重要である。
GBM成長の数学的モデルは、腫瘍細胞の空間分布の予測においてデータを補完することができる。
本研究では,単一3次元構造MRIスナップショットからGBM成長の反応拡散PDEモデルの患者特異的パラメータを推定するために,物理情報ニューラルネットワーク(PINN)を用いた手法を提案する。
論文 参考訳（メタデータ） (2023-11-28T05:45:20Z) - Finding Patient Zero: Learning Contagion Source with Graph Neural
Networks [67.3415507211942]
感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。
既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。
グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
論文 参考訳（メタデータ） (2020-06-21T21:12:44Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。