Federated Learning for Medical Image Analysis: A Survey

要約

医用画像処理における機械学習は、多くの場合、サンプル サイズが小さいという基本的なジレンマに直面します。
最近の研究の多くは、統計的検出力を向上させるために、さまざまな収集サイト/データセットからプールされたマルチドメイン データを使用することを提案しています。
ただし、プライバシー保護上の理由から、異なるサイトからの医療画像を簡単に共有してモデルトレーニング用の大規模なデータセットを構築することはできません。
有望なソリューションとして、サイト間でデータを共有することなく、異なるサイトからのデータに基づいて機械学習モデルの共同トレーニングを可能にするフェデレーテッド ラーニングが最近大きな注目を集めています。
この論文では、医用画像分析におけるフェデレーテッド ラーニング手法の最近の開発に関する包括的な調査を実施します。
まず、医療画像におけるプライバシー保護と協調学習の問題に対処するためのフェデレーション ラーニングの背景と動機を紹介します。
次に、医用画像分析のためのフェデレーテッド ラーニング手法における最近の進歩を包括的にレビューします。
具体的には、既存の手法は、クライアント エンド、サーバー エンド、通信技術など、フェデレーテッド ラーニング システムの 3 つの重要な側面に基づいて分類されています。
各カテゴリでは、医用画像解析における特定の研究課題に応じて既存のフェデレーテッド ラーニング手法を要約し、さまざまなアプローチの動機についての洞察も提供します。
さらに、現在のフェデレーテッド ラーニング研究のための既存のベンチマーク医療画像データセットとソフトウェア プラットフォームのレビューを提供します。
また、医用画像解析における代表的な連合学習手法を実証的に評価するための実験研究も行っています。
この調査は、この有望な研究分野における現在の研究状況、課題、潜在的な研究機会をより深く理解するのに役立ちます。

要約(オリジナル)

Machine learning in medical imaging often faces a fundamental dilemma, namely the small sample size problem. Many recent studies suggest using multi-domain data pooled from different acquisition sites/datasets to improve statistical power. However, medical images from different sites cannot be easily shared to build large datasets for model training due to privacy protection reasons. As a promising solution, federated learning, which enables collaborative training of machine learning models based on data from different sites without cross-site data sharing, has attracted considerable attention recently. In this paper, we conduct a comprehensive survey of the recent development of federated learning methods in medical image analysis. We first introduce the background and motivation of federated learning for dealing with privacy protection and collaborative learning issues in medical imaging. We then present a comprehensive review of recent advances in federated learning methods for medical image analysis. Specifically, existing methods are categorized based on three critical aspects of a federated learning system, including client end, server end, and communication techniques. In each category, we summarize the existing federated learning methods according to specific research problems in medical image analysis and also provide insights into the motivations of different approaches. In addition, we provide a review of existing benchmark medical imaging datasets and software platforms for current federated learning research. We also conduct an experimental study to empirically evaluate typical federated learning methods for medical image analysis. This survey can help to better understand the current research status, challenges and potential research opportunities in this promising research field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google