Deep Anatomical Federated Network (Dafne): an open client/server framework for the continuous collaborative improvement of deep-learning-based medical image segmentation

要約

セマンティック セグメンテーションは、医療 (特に放射線) 画像から定量的な情報を抽出して、診断プロセスや臨床フォローアップを支援するための重要なステップです。
臨床研究用のバイオマーカーを生成します。
近年、機械学習アルゴリズムがこのタスクの主要なツールになりました。
ただし、その実際のパフォーマンスは、トレーニング データの包括性に大きく依存しています。
Dafne は、システムのユーザーの集合的な知識を利用して、継続的に進化するディープ ラーニング モデルを実装する、初の分散型コラボレーション ソリューションです。
Dafne ワークフローでは、自動化された各セグメンテーションの結果は、統合されたインターフェイスを介してユーザーによって調整されるため、新しい情報を使用して、フェデレーテッド インクリメンタル ラーニングを介してトレーニング プールを継続的に拡張します。
Dafne を介して展開されたモデルは、時間の経過とともにパフォーマンスを向上させ、トレーニング セットには見られないデータ型に一般化することができるため、実際の医療セグメンテーション タスクに対する実行可能で実用的なソリューションになります。

要約(オリジナル)

Semantic segmentation is a crucial step to extract quantitative information from medical (and, specifically, radiological) images to aid the diagnostic process, clinical follow-up. and to generate biomarkers for clinical research. In recent years, machine learning algorithms have become the primary tool for this task. However, its real-world performance is heavily reliant on the comprehensiveness of training data. Dafne is the first decentralized, collaborative solution that implements continuously evolving deep learning models exploiting the collective knowledge of the users of the system. In the Dafne workflow, the result of each automated segmentation is refined by the user through an integrated interface, so that the new information is used to continuously expand the training pool via federated incremental learning. The models deployed through Dafne are able to improve their performance over time and to generalize to data types not seen in the training sets, thus becoming a viable and practical solution for real-life medical segmentation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google