CXR-FL: Deep Learning-Based Chest X-ray Image Analysis Using Federated Learning

要約

連合学習は、プライバシーのために学習データをローカルに保存しながら、多センターのデータから共有モデルを構築することを可能にする。本論文では、連合学習法を用いた胸部X線画像解析のための深層学習ベースのモデルの評価（CXR-FLと呼ぶ）を紹介する。連携学習パラメータが中心モデルの性能に与える影響を検証する。さらに、肺のセグメンテーションに縮小した関心領域で学習した場合、全画像と比較して分類モデルのパフォーマンスが低下することを示す。しかし、分類モデルの学習を肺の領域に集中させることで、推論時の病理の解釈性が向上する可能性がある。また、連合学習がモデルの汎化性を維持するのに役立つこともわかった。事前学習された重みとコードは(https://github.com/SanoScience/CXR-FL)で公開されています。

要約(オリジナル)

Federated learning enables building a shared model from multicentre data while storing the training data locally for privacy. In this paper, we present an evaluation (called CXR-FL) of deep learning-based models for chest X-ray image analysis using the federated learning method. We examine the impact of federated learning parameters on the performance of central models. Additionally, we show that classification models perform worse if trained on a region of interest reduced to segmentation of the lung compared to the full image. However, focusing training of the classification model on the lung area may result in improved pathology interpretability during inference. We also find that federated learning helps maintain model generalizability. The pre-trained weights and code are publicly available at (https://github.com/SanoScience/CXR-FL).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL