Benchmarking Collaborative Learning Methods Cost-Effectiveness for Prostate Segmentation

要約

医療データは多くの場合、複数の病院にわたって中小規模のコレクションに分割されており、データへのアクセスはプライバシー規制によって妨げられています。
このため、データを大量に消費することが知られている機械学習モデルや深層学習モデルの開発にそれらを使用することが困難になります。
この制限を克服する 1 つの方法は、共同学習 (CL) 手法を使用することです。これにより、ローカル データを明示的に共有することなく、病院が協力してタスクを解決できるようになります。
この論文では、連合学習 (FL) とコンセンサスベースの手法 (CBM) という 2 つの異なるアプローチを比較することにより、共同シナリオにおける MRI からの前立腺セグメンテーションの問題に取り組みます。
私たちの知る限り、これはラベル融合技術などの CBM が協調学習の問題を解決するために使用された最初の研究です。
この設定では、CBM はローカルでトレーニングされたモデルからの予測を組み合わせて、理想的に向上した堅牢性と予測分散特性を備えたフェデレーテッド強力学習器を取得します。
私たちの実験によると、考慮された実用的なシナリオでは、CBM は費用対効果が高く、FL と同等以上の結果が得られます。
私たちの結果は、コンセンサスパラダイムが医用画像処理における典型的なトレーニングタスクに対して FL に代わる有効な手段となる可能性があることを示しています。

要約(オリジナル)

Healthcare data is often split into medium/small-sized collections across multiple hospitals and access to it is encumbered by privacy regulations. This brings difficulties to use them for the development of machine learning and deep learning models, which are known to be data-hungry. One way to overcome this limitation is to use collaborative learning (CL) methods, which allow hospitals to work collaboratively to solve a task, without the need to explicitly share local data. In this paper, we address a prostate segmentation problem from MRI in a collaborative scenario by comparing two different approaches: federated learning (FL) and consensus-based methods (CBM). To the best of our knowledge, this is the first work in which CBM, such as label fusion techniques, are used to solve a problem of collaborative learning. In this setting, CBM combine predictions from locally trained models to obtain a federated strong learner with ideally improved robustness and predictive variance properties. Our experiments show that, in the considered practical scenario, CBMs provide equal or better results than FL, while being highly cost-effective. Our results demonstrate that the consensus paradigm may represent a valid alternative to FL for typical training tasks in medical imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google