Federated Distillation for Medical Image Classification: Towards Trustworthy Computer-Aided Diagnosis

要約

医療画像の分類は、コンピュータ支援による臨床診断において重要な役割を果たしている。ディープラーニング技術は、効率を大幅に向上させ、コストを削減したが、医療画像データのプライバシーに敏感な性質は、一元化されたストレージとモデル学習を複雑にしている。さらに、リソースの少ない医療機関は、データとモデルの規模が増大するため、通信オーバーヘッドと効率に関する課題に直面している。本論文では、このような問題に対処するために、FedMICと名付けられた連携学習に基づく、新しいプライバシー保護医療画像分類フレームワークを提案する。このフレームワークは、医療機関がグローバルな知識とローカルな知識の両方から学習することを可能にし、統計的不均一性にもかかわらず、プライベートデータのローカルな表現を強化する。FedMICは、多様なデータ分布を持つ組織向けにカスタマイズされたモデルを提供する一方で、通信のオーバーヘッドを最小化し、パフォーマンスを損なうことなく効率を向上させる。我々のFedMICは、リソースに制約のある条件下での頑健性と実用的な適用性を強化する。古典的な医用画像分類タスクのための4つの公開医用画像データセットを用いてFedMICの有効性を実証する。

要約(オリジナル)

Medical image classification plays a crucial role in computer-aided clinical diagnosis. While deep learning techniques have significantly enhanced efficiency and reduced costs, the privacy-sensitive nature of medical imaging data complicates centralized storage and model training. Furthermore, low-resource healthcare organizations face challenges related to communication overhead and efficiency due to increasing data and model scales. This paper proposes a novel privacy-preserving medical image classification framework based on federated learning to address these issues, named FedMIC. The framework enables healthcare organizations to learn from both global and local knowledge, enhancing local representation of private data despite statistical heterogeneity. It provides customized models for organizations with diverse data distributions while minimizing communication overhead and improving efficiency without compromising performance. Our FedMIC enhances robustness and practical applicability under resource-constrained conditions. We demonstrate FedMIC’s effectiveness using four public medical image datasets for classical medical image classification tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL