論文の概要: Fed-ADApt: Federated Anytime Depth Adaptation for Resource-Aware Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.03474v1
• Date: Fri, 02 Oct 2026 15:47:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.458749
• Title: Fed-ADApt: Federated Anytime Depth Adaptation for Resource-Aware Medical Image Segmentation
• Title（参考訳）: Fed-ADApt:Federated Anytime Depth Adaptation for Resource-Aware Medical Image Segmentation
• Abstract要約: フェデレートラーニングは、患者の生データを共有することなく、医療画像セグメンテーションモデルの協調トレーニングを可能にする。 UNetセグメンテーションのための深度適応型フェデレーションフレームワークであるFed-ADAptを提案する。 Fed-ADAptは多層監視と階層的な深度集約を統合し、各サイトがローカルの計算予算に応じてトレーニングできる。
• 参考スコア（独自算出の注目度）: 6.950993376049535
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Federated learning (FL) enables collaborative training of medical image segmentation models without sharing raw patient data, yet existing approaches assume a homogeneous compute budget across institutions, limiting participation of low-resource sites. We propose Fed-ADApt, a depth-adaptive federated framework for UNet-based segmentation that jointly addresses low-compute training and inference. Fed-ADApt integrates multi-depth supervision with hierarchical depth-wise aggregation, allowing each site to train according to its local compute budget while contributing to a global model that supports dynamic depth selection at deployment. We evaluated Fed-ADApt on multi-site 2D retinal fundus disc segmentation and 3D brain tumor segmentation. Across both tasks, federated collaboration substantially improves robustness under domain shift. Fed-ADApt matched the full-resource FedAvg performance in 3D and achieved competitive 2D performance with a 4.7% average Dice reduction, while reducing average inference cost by 19.5% in 3D and 34.5% in 2D and substantially reducing training cost by 98% at the most constrained sites. Importantly, Fed-ADApt enables low-resource institutions that cannot train full-capacity models to participate in federations while maintaining competitive global performance under a favorable accuracy to efficiency trade-off. By considering training and inference compute budgets, Fed-ADApt provides a practical and equitable solution for federated medical image segmentation across heterogeneous clinical and edge-enabled imaging environments.
• Abstract（参考訳）: フェデレートラーニング(FL)は、患者データを共有することなく、医療画像セグメンテーションモデルの協調トレーニングを可能にするが、既存のアプローチでは、機関間で均質な計算予算を仮定し、低リソースサイトへの参加を制限する。 提案するFed-ADAptは,低計算量トレーニングと推論を併用した,UNetベースのセグメンテーションのための奥行き適応型フェデレーションフレームワークである。 Fed-ADAptは階層的な深度管理と階層的な深度集約を統合し、各サイトがローカルの計算予算に従ってトレーニングし、デプロイ時の動的深度選択をサポートするグローバルモデルにコントリビュートすることを可能にする。 マルチサイト2D網膜基底板分節と3D脳腫瘍分節のFed-ADAptについて検討した。 両方のタスク全体で、連携したコラボレーションは、ドメインシフト下での堅牢性を大幅に改善します。 Fed-ADAptは3DのフルリソースのFedAvgのパフォーマンスに匹敵し、平均Diceを4.7%減らし、平均推論コストを3Dで19.5%、2Dで34.5%減らし、トレーニングコストを最も制約された場所で98%減らした。 重要なことは、Fed-ADAptは、フェデレーションに参加するためのフルキャパシティモデルを訓練できない低リソースの機関を、競争力のあるグローバルパフォーマンスを維持しながら、トレードオフの効率性に有利な精度で維持することを可能にする。 Fed-ADAptは、トレーニングと推論の計算予算を考慮し、異種臨床およびエッジ対応イメージング環境におけるフェデレーションされた医療画像セグメンテーションのための実用的で公平なソリューションを提供する。

関連論文リスト

• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• 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)
• FedGIN: Federated Learning with Dynamic Global Intensity Non-linear Augmentation for Organ Segmentation using Multi-modal Images [0.0]
  医用画像のセグメンテーションは、AIによる診断、手術計画、治療監視において重要な役割を果たす。 患者データを共有することなくマルチモーダル臓器分割を可能にするフェデレートラーニングフレームワークであるFedGINを提案する。
  論文  参考訳（メタデータ） (2025-08-07T08:16:35Z)
• FedSCA: Federated Tuning with Similarity-guided Collaborative Aggregation for Heterogeneous Medical Image Segmentation [14.113755905200009]
  トランスフォーマーベースファンデーションモデル (FM) は近年, 医用画像のセグメンテーションにおいて顕著な性能を示した。 しかし、分離病院内の医療画像データセットが限られているため、これらのモデルをスケールすることは困難である。 本稿では,UnderlinetextbfCollaborative UnderlinetextbfAggregation (FedSCA)を用いたFLFMファインチューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T16:27:29Z)
• Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
  我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。 我々は、FedMRがはるかに高い精度と通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行います。
  論文  参考訳（メタデータ） (2024-05-29T10:56:13Z)
• Cloud-based Federated Learning Framework for MRI Segmentation [0.10878040851637999]
  本稿では,農村医療施設における脳組織セグメンテーションに適した新しい枠組みを提案する。 このフレームワークは、田園部医療施設にローカルに展開する改良モデル(RM)と密接な強化学習環境を採用している。 我々は,限られたデータセットでネットワークをトレーニングし,大幅な性能向上を観察することで,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-01T03:39:17Z)
• Learning Federated Visual Prompt in Null Space for MRI Reconstruction [83.71117888610547]
  我々はMRI再建のためのグローバルプロンプトのヌル空間におけるフェデレートされた視覚的プロンプトを学習するための新しいアルゴリズムであるFedPRを提案する。 FedPRは、ローカルトレーニングデータの限られた量を与えられた場合、通信コストの6%で最先端のFLアルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2023-03-28T17:46:16Z)
• Closing the Generalization Gap of Cross-silo Federated Medical Image Segmentation [66.44449514373746]
  クロスサイロ・フェデレーション・ラーニング (FL) は近年, 深層学習による医用画像解析において注目されている。 FLでトレーニングされたモデルと、集中的なトレーニングでトレーニングされたモデルの間にはギャップがある。 本稿では,クライアントの問題を回避し,ドリフトギャップを解消するための新しいトレーニングフレームワークであるFedSMを提案する。
  論文  参考訳（メタデータ） (2022-03-18T19:50:07Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)

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。