論文の概要: FedDermaSeg: Federated Learning for Dermatological Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.08574v1
• Date: Tue, 06 Oct 2026 15:49:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.09461
• Title: FedDermaSeg: Federated Learning for Dermatological Image Segmentation
• Title（参考訳）: FedDermaSeg: 皮膚画像分割のためのフェデレーション学習
• Abstract要約: プライバシ支援皮膚病変分類におけるフェデレーション学習の有用性について検討した。 我々は、ISIC 2018 Skin Lesion Challengeデータセットを使用して、分散学習環境をシミュレートし、フェデレートされたセグメンテーションモデルを開発する。 実験結果から,フェデレーションモデルが集中学習に匹敵する性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 0.2039123720459736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skin cancer is a major global health concern, and early detection and accurate lesion delineation are important for effective diagnosis and treatment planning. Automated skin lesion analysis can assist dermatologists, with lesion segmentation serving as a fundamental step in computer-aided diagnostic systems. Conventional deep learning-based segmentation models typically rely on centralized training, where images and their corresponding segmentation masks are collected on a central server. Such data aggregation raises privacy concerns in medical applications and requires substantial centralized computational resources. To address these limitations, we investigate the feasibility of federated learning for privacy-preserving skin lesion segmentation. The training and validation sets of the ISIC 2018 Skin Lesion Segmentation Challenge dataset are used to simulate a distributed learning environment and develop a federated segmentation model. The resulting model is evaluated on the ISIC 2018 test set and the PH2 dataset to assess its performance and generalizability. Experimental results demonstrate that the federated model achieves performance comparable to centralized training while consistently improving upon the locally trained models. These findings demonstrate the potential of federated learning for collaborative skin lesion segmentation without requiring centralized aggregation of medical images.
• Abstract（参考訳）: 皮膚癌は世界的な健康上の問題であり、早期発見と正確な病変のデライン化は効果的な診断と治療計画に重要である。 皮膚病変の自動解析は、皮膚科医の助けとなり、病変の分節化はコンピュータ支援診断システムにおける基本的なステップとなる。 従来のディープラーニングベースのセグメンテーションモデルは、画像とそれに対応するセグメンテーションマスクを中央サーバーで収集する集中トレーニングに依存している。 このようなデータアグリゲーションは、医療アプリケーションにおけるプライバシーの懸念を高め、かなりの集中的な計算資源を必要とする。 これらの制約に対処するために,プライバシ保存皮膚病変のセグメンテーションにおけるフェデレーション学習の可能性を検討する。 ISIC 2018 Skin Lesion Segmentation Challengeデータセットのトレーニングと検証セットは、分散学習環境をシミュレートし、フェデレートされたセグメンテーションモデルを開発するために使用される。 得られたモデルは、ISIC 2018テストセットとPH2データセットに基づいて評価され、その性能と一般化性を評価する。 実験結果から,フェデレートモデルでは集中訓練に匹敵する性能が得られたが,局所訓練モデルでは一貫して改善が見られた。 これらの結果から, 医用画像の集中集約を必要とせず, 協調的皮膚病変分節化のための連合学習の可能性が示唆された。

関連論文リスト

• Challenges in Deep Learning-Based Small Organ Segmentation: A Benchmarking Perspective for Medical Research with Limited Datasets [1.2648105980808475]
  本研究では,最先端のディープラーニングセグメンテーションモデルの体系的評価について検討する。 その結果, モデル性能はデータ分割に非常に敏感であり, 統計的ノイズによる差は, 真のアルゴリズム上の優越性よりも小さいことがわかった。
  論文  参考訳（メタデータ） (2025-09-07T01:54:20Z)
• DermINO: Hybrid Pretraining for a Versatile Dermatology Foundation Model [92.66916452260553]
  DermNIOは皮膚科学の多目的基盤モデルである。 自己教師型学習パラダイムを増強する、新しいハイブリッド事前学習フレームワークが組み込まれている。 さまざまなタスクにおいて、最先端のモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-17T00:41:39Z)
• Federated Foundation Model for GI Endoscopy Images [7.9528382609447545]
  ファンデーションモデルは汎用表現を学習することで有望なソリューションを提供する。 ファンデーションモデルトレーニングは通常、広範なデータセットを必要とし、病院は大量のデータを生成するが、プライバシー制限は直接的なデータ共有を妨げている。 本稿では,腹腔鏡画像の基礎モデルをトレーニングするためのFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T01:18:17Z)
• Foundation Model for Whole-Heart Segmentation: Leveraging Student-Teacher Learning in Multi-Modal Medical Imaging [0.510750648708198]
  心血管疾患の診断にはCTとMRIによる全肝分画が不可欠である。 既存の方法は、モダリティ固有のバイアスと、広範なラベル付きデータセットの必要性に苦慮している。 学生-教師アーキテクチャに基づく自己指導型学習フレームワークを用いて,全音節セグメンテーションのための基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-24T14:47:54Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Analysing the effectiveness of a generative model for semi-supervised medical image segmentation [23.898954721893855]
  自動セグメンテーションにおける最先端技術は、U-Netのような差別モデルを用いて、教師付き学習のままである。 半教師付き学習(SSL)は、より堅牢で信頼性の高いモデルを得るために、重複のないデータの豊富さを活用する。 セマンティックGANのような深層生成モデルは、医療画像分割問題に取り組むための真に実行可能な代替手段である。
  論文  参考訳（メタデータ） (2022-11-03T15:19:59Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。