Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Réseau nnU fédéré pour la segmentation des images médicales préservant la confidentialité

Created by
  • Haebom

Auteur

Grzegorz Skorupko, Fotios Avgoustidis, Carlos Mart in-Isla, Lidia Garrucho, Dimitri A. Kessler, Esmeralda Ruiz Pujadas, Oliver D iaz, Maciej Bobowicz, Katarzyna Gwo zdziewicz, Xavier Bargall o, Paulius Jaru\v{s}evi\v{c}ius, Richard Osuala, Kaisar Kushibar, Karim Lékadir

Contour

Cet article propose FednnU-Net, un framework d'apprentissage distribué, pour surmonter les limites de l'approche centralisée du framework nnU-Net, qui s'est imposé comme la référence en matière de segmentation d'images médicales (risque de fuite d'informations sensibles sur les patients et de violation de la vie privée). FednnU-Net peut être intégré à nnU-Net de manière plug-and-play et présente deux méthodologies d'apprentissage distribué : l'extraction fédérée d'empreintes digitales (FFE) et la moyenne fédérée asymétrique (AsymFedAvg). Les résultats expérimentaux démontrent des performances élevées et constantes dans des expériences multimodales utilisant six ensembles de données provenant de 18 institutions pour des tâches de segmentation du sein, du cœur et du fœtus. Le framework est accessible au public ( https://github.com/faildeny/FednnUNet ).

Takeaways, Limitations_

•
Takeaways:
◦
Améliorer la confidentialité des patients en permettant l’apprentissage distribué de nnU-Net.
◦
Nous présentons deux méthodologies d’apprentissage distribué efficaces, FFE et AsymFedAvg.
◦
Hautes performances vérifiées dans diverses tâches de segmentation d'images médicales.
◦
Démocratiser la recherche et l’application pratique grâce à la divulgation de sources ouvertes.
•
Limitations:
◦
Une analyse comparative plus approfondie de la méthodologie proposée avec d’autres méthodologies d’apprentissage distribué peut être nécessaire.
◦
Des expériences supplémentaires avec différents ensembles de données et contextes cliniques peuvent être nécessaires.
◦
Une validation et une évaluation supplémentaires peuvent être nécessaires pour une application clinique pratique.
👍
Made with Slashpage