Fugu-MT 論文翻訳(概要): Federated Learning Framework for Privacy-Preserving Kidney Stone Detection

論文の概要: Federated Learning Framework for Privacy-Preserving Kidney Stone Detection

arxiv url: http://arxiv.org/abs/2609.19740v1
Date: Thu, 17 Sep 2026 06:06:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:54.11944
Title: Federated Learning Framework for Privacy-Preserving Kidney Stone Detection
Title（参考訳）: プライバシー保護型キドニーストーン検出のためのフェデレーション学習フレームワーク
Abstract要約: 本研究は,CT画像上で腎臓結石を検出するために,最適化されたYOLOv8ネットワークと結合したFLモデルを提案する。提案システムは、患者に関する情報を交換することなく、様々な医療機関が共通のモデルを共同で訓練するのに役立つ。
参考スコア（独自算出の注目度）: 0.30786914102688595
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent innovations in deep learning have significantly enhanced the diagnosis of medical images, although they are based on the use of centralized data storage that pose severe threats to patient privacy and medical data security. To address this issue, this research proposes a Federated Learning (FL) model that is coupled with an optimized YOLOv8 network to detect the kidney stones on a computed tomography (CT) image and at the same time, protect privacy of the patients. The suggested system can help various medical organizations to jointly train a common model without exchanging the information about the patients. This is to ensure that data protection laws like GDPR and HIPAA are adhered to. The residual feature fusion and DropBlock regularization among other architectural improvements are also included in YOLOv8 to enhance detection robustness and minimize overfitting. Experimental analysis carried out on a distributed CT dataset demonstrated that the federated YOLOv8 model has a mAP at 50 of 0.733 and is able to keep the data confidential. Moreover, its lean design facilitates fast edge deployment and real-time inference across a clinical setting. Altogether, these findings indicate that Federated Learning is a safe and efficient solution to AI-assisted diagnosis in contemporary healthcare when combined with the use of sophisticated object detection models.
Abstract（参考訳）: 近年のディープラーニングの革新は、患者のプライバシや医療データセキュリティに深刻な脅威をもたらす集中型データストレージの利用に基づいて、医療画像の診断を大幅に強化している。本研究は,CT画像上で腎臓結石を検出するために,最適化されたYOLOv8ネットワークと結合したFLモデルを提案する。提案システムは、患者に関する情報を交換することなく、様々な医療機関が共通のモデルを共同で訓練するのに役立つ。これはGDPRやHIPAAといったデータ保護法が遵守されることを保証するためです。残りの機能融合やDropBlockの正規化などのアーキテクチャ改善もYOLOv8に含まれており、検出の堅牢性を高め、オーバーフィッティングを最小限に抑える。分散CTデータセットを用いて行った実験解析により、連合型YOLOv8モデルは50のmAPが0.733であり、データを秘密にすることができることが示された。さらに、そのリーン設計は、臨床環境での高速なエッジデプロイメントとリアルタイム推論を促進する。これらの結果は、フェデレートラーニングが、高度な物体検出モデルの使用と組み合わせることで、現代医療におけるAI支援診断の安全かつ効率的なソリューションであることを示唆している。

関連論文リスト

Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文参考訳（メタデータ） (2026-07-24T04:26:47Z)
Federated Learning for Large Models in Medical Imaging: A Comprehensive Review [25.44185462360892]
高性能AIモデルは一般的に、大規模な集中型データセットのトレーニングを必要とする。これらの制限は、医療領域における大規模なモデルの開発を妨げる。 Federated Learningは、断片化された医療データセット間で協調的なモデル開発を可能にすることで、新しいソリューションを提供する。
論文参考訳（メタデータ） (2025-08-28T04:31:41Z)
FedCL-Ensemble Learning: A Framework of Federated Continual Learning with Ensemble Transfer Learning Enhanced for Alzheimer's MRI Classifications while Preserving Privacy [0.0]
本研究は,ResNet,ImageNet,VNetなどの伝達学習モデルを用いて,医用画像データから高次特徴を抽出する。提案モデルは, 患者データを共有することなく, フェデレーション学習を用いて構築された。
論文参考訳（メタデータ） (2024-11-15T13:49:22Z)
FedDP: Privacy-preserving method based on federated learning for histopathology image segmentation [2.864354559973703]
本稿では,医用画像データの分散特性とプライバシ感受性について,フェデレート学習フレームワークを用いて検討する。提案手法であるFedDPは,がん画像データのプライバシーを効果的に保護しつつ,モデルの精度に最小限の影響を与える。
論文参考訳（メタデータ） (2024-11-07T08:02:58Z)
FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
論文参考訳（メタデータ） (2024-08-17T15:18:56Z)
Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection [11.980634373191542]
分散トレーニングは、大規模な医用画像データセットの処理を容易にし、疾患診断の精度と効率を向上させる。本稿では,データプライバシと効率的な疾患診断という2つの課題に対処するために,Federated Learning(FL)を活用した医用画像分類の革新的なアプローチを提案する。
論文参考訳（メタデータ） (2024-04-15T09:07:19Z)
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)
Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文参考訳（メタデータ） (2023-08-31T00:36:10Z)
When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
論文参考訳（メタデータ） (2022-03-24T02:09:41Z)
FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
新型コロナウイルスの感染拡大で医療資源が不足している。新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。患者のプライバシー上の懸念から、データそのものはまだ乏しい。我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
論文参考訳（メタデータ） (2021-02-10T01:56:58Z)
Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文参考訳（メタデータ） (2020-12-10T13:56:00Z)

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。