論文の概要: The Federated Tumor Segmentation and Classification (FeTS++) Challenge

• arxiv url: http://arxiv.org/abs/2610.18771v1
• Date: Tue, 13 Oct 2026 17:30:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:41:11.786556
• Title: The Federated Tumor Segmentation and Classification (FeTS++) Challenge
• Title（参考訳）: Federated tumor Segmentation and Classification (FeTS++) の挑戦
• Abstract要約: フェデレート腫瘍(FeTS)チャレンジは、2021年に初めて開催され、2022年と2024年に医療画像とエディションでFLに特化した最初のチャレンジとなった。 FeTS++は、北米、ヨーロッパ、アジア、アフリカの機関の患者コホートにまたがるグリオーマと髄膜腫にまたがる。
• 参考スコア（独自算出の注目度）: 35.07671054447345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: International challenges have become the standard for developing and benchmarking biomedical image analysis methods using centralized multi-institutional data. Federated learning (FL) describes a paradigm-shift on multi-institutional collaborations, where models are trained across institutions while their data are always retained locally. The Federated Tumor Segmentation (FeTS) challenge, first held in 2021, was the first challenge dedicated to FL in medical imaging and editions in 2022 and 2024 pushed the frontiers of real-world method validation. FeTS++ 2027 returns after a two-year gap with a substantially larger and more diverse cohort, and with the two "pluses" that name the challenge: an official classification task alongside segmentation, and a move of the infrastructure to NVIDIA FLARE (NVFlare). Built on the clinically acquired, multi-institutional multi-parametric MRI data of the BraTS 2025 Lighthouse challenge, FeTS++ spans gliomas and meningiomas across patient cohorts from institutions in North America, Europe, Asia, and Africa, and focuses on ranking submitted methodological approaches according to their model utility and an efficiency-aware score. Task 1 asks participants to find the best strategy for aggregating knowledge from per-institution segmentation models, while Task 2 asks them to distinguish glioma from meningioma under the same federated protocol, in which the entity label is heavily confounded with the site of origin.
• Abstract（参考訳）: 国際的課題は、集中型多施設データを用いたバイオメディカル画像解析手法の開発とベンチマークの標準となっている。 フェデレーテッド・ラーニング(FL)は、複数の制度的なコラボレーションにおけるパラダイムシフトを記述している。 2021年に初めて開催されたFeTS(Feerated tumor Segmentation)チャレンジは、2022年と2024年に医療画像とエディションでFLに捧げられた最初の挑戦であり、実際の方法検証のフロンティアを推し進めた。 FeTS++ 2027は、かなり大きく、より多様なコホートとの2年間のギャップと、この課題を名付ける2つの"プラス"、すなわち、セグメンテーションを伴う公式な分類タスクと、インフラストラクチャをNVIDIA FLARE(NVFlare)に移行した後に復活する。 BraTS 2025 Lighthouse Challengeの多施設間マルチパラメトリックMRIデータに基づいて、FeTS++は北米、ヨーロッパ、アジア、アフリカの医療機関の患者コホートのグリオーマと髄膜腫にまたがり、彼らのモデルユーティリティと効率に敏感なスコアに基づいて、提出された方法論アプローチのランク付けに重点を置いている。 第1タスクは参加者に、施設ごとのセグメンテーションモデルから知識を集約する最善の戦略を見つけるよう求め、第2タスクは、組織ラベルが起源の場所と深く融合している同じ連合プロトコルの下で、グリオーマと髄膜腫を区別するよう求めている。

関連論文リスト

• Med-MMFL: A Multimodal Federated Learning Benchmark in Healthcare [8.87993480369896]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散化された医療機関間で協調的なモデルトレーニングを可能にする。 Med-MMFLは医療分野における最初の総合的MMFLベンチマークであり、様々なモダリティ、タスク、フェデレーションシナリオを含んでいる。 本ベンチマークでは,6つの最先端FLアルゴリズムを評価し,異なる集約戦略,損失定式化,正規化手法について検討した。
  論文  参考訳（メタデータ） (2026-02-04T10:50:15Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Standardized Evaluation of Automatic Methods for Perivascular Spaces Segmentation in MRI -- MICCAI 2024 Challenge Results [11.040060608562362]
  本稿では,MICCAI 2024で組織されたEPVS Challengeについて述べる。 マルチサイトデータにまたがるEPVSセグメンテーションのための自動アルゴリズムの開発を促進することを目的としている。 MedNeXtアーキテクチャと2D/3D戦略を併用し, 異なるスライス厚の処理を行った。
  論文  参考訳（メタデータ） (2025-12-20T03:45:14Z)
• ShizhenGPT: Towards Multimodal LLMs for Traditional Chinese Medicine [53.91744478760689]
  我々は、中国伝統医学(TCM)に適した最初の多モーダル言語モデルであるシージエンGPTを提示する。 シッシェンGPTは、深いTCM知識とマルチモーダル推論を達成するために、事前訓練され、訓練されている。 実験によると、ShizhenGPTはLLMよりも優れており、より大きなプロプライエタリモデルと競合する。
  論文  参考訳（メタデータ） (2025-08-20T13:30:20Z)
• crossMoDA Challenge: Evolution of Cross-Modality Domain Adaptation Techniques for Vestibular Schwannoma and Cochlea Segmentation from 2021 to 2023 [20.87321022049113]
  クロスモダリティドメイン適応 (cross-Modality Domain Adaptation,crossMoDA) シリーズの2022年版と2023年版について報告する。 2023年版での勝利は、2021年版と2022年の試験データにおけるアウトレーヤの数を減らした。 臨床的に許容されるVSセグメンテーションにはまだ進歩が必要だが、高評価は、より困難なクロスモーダルタスクが将来のベンチマークに役立つことを示唆している。
  論文  参考訳（メタデータ） (2025-06-13T17:56:39Z)
• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS) Benchmark [48.30502612686276]
  肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。 現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。 2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。 簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
  論文  参考訳（メタデータ） (2022-01-03T03:06:38Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• The Federated Tumor Segmentation (FeTS) Challenge [4.694856527778264]
  この写本は、連合学習の最初の挑戦、すなわちfederated tumor (fets) challenge 2021について記述している。 FeTS 2021チャレンジは、BraTS 2020チャレンジからの臨床的に取得された多施設磁気共鳴イメージング(MRI)スキャンと、さまざまな遠隔独立機関を使用しています。 fetsチャレンジのゴールは、1)コンセンサスモデルのトレーニングに向けた最適重み集約アプローチの同定、2)脳腫瘍セグメンテーションモデルの「野生」における一般化可能性の評価という2つのタスクによって直接表現される。
  論文  参考訳（メタデータ） (2021-05-12T18:00:20Z)

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。