WWFedCBMIR: World-Wide Federated Content-Based Medical Image Retrieval

要約

【タイトル】WWFedCBMIR: ワールドワイドフェデレーテッドコンテンツベース医療画像検索

【要約】

– 病理学医師は、従来の癌検出方法に比べて、類似の医療画像や前例の関連パッチを識別することによって、乳癌の診断を迅速に行うために、CBMIR技術を利用しています
– CBMIRにおけるヒストパスの場合、最適な埋め込みベクトルを抽出するためにWSIのプールが必要であり、これはすべてのセンターで利用可能であるとは限りません
– 医療データセットのデータ共有に関する厳格な規制が、研究やモデル開発を妨げ、豊富なデータセットを収集することが難しくなっています
– 提案されたFedCBMIRは、データセットを共有せずに共同センターにモデルを配布することでトレーニング時間を短縮し、ローカルトレーニングよりも高速であることが示されています
– BreaKHisおよびCamelyon17で3つのシナリオで2つの実験が実施され、FedCBMIRメソッドは、4つの倍率の一般化モデルでBreaKHis実験を行ったときに、各クライアントを98％、96％、94％、および97％のF1-Score（F1S）に向上させ、合計ローカルトレーニングよりも6.30時間短くなりました
– FedCBMIRはまた、CAM17で98％の精度を達成し、ローカルトレーニングよりも2.49時間の短いトレーニング時間であり、病理学医師とエンジニアの両方にとって速くて正確であることが証明されています
– FedCBMIRは、発展途上国でも高倍率の類似画像を提供することにより、発展途上国と開発途上国が参加する世界的なFedCBMIRを促進し、乳癌診断におけるミトーシス計測を支援します。これは、BreaKHisを倍率に応じて4つのセンターに分散させることによって評価されます。

要約(オリジナル)

The paper proposes a Federated Content-Based Medical Image Retrieval (FedCBMIR) platform that utilizes Federated Learning (FL) to address the challenges of acquiring a diverse medical data set for training CBMIR models. CBMIR assists pathologists in diagnosing breast cancer more rapidly by identifying similar medical images and relevant patches in prior cases compared to traditional cancer detection methods. However, CBMIR in histopathology necessitates a pool of Whole Slide Images (WSIs) to train to extract an optimal embedding vector that leverages search engine performance, which may not be available in all centers. The strict regulations surrounding data sharing in medical data sets also hinder research and model development, making it difficult to collect a rich data set. The proposed FedCBMIR distributes the model to collaborative centers for training without sharing the data set, resulting in shorter training times than local training. FedCBMIR was evaluated in two experiments with three scenarios on BreaKHis and Camelyon17 (CAM17). The study shows that the FedCBMIR method increases the F1-Score (F1S) of each client to 98%, 96%, 94%, and 97% in the BreaKHis experiment with a generalized model of four magnifications and does so in 6.30 hours less time than total local training. FedCBMIR also achieves 98% accuracy with CAM17 in 2.49 hours less training time than local training, demonstrating that our FedCBMIR is both fast and accurate for both pathologists and engineers. In addition, our FedCBMIR provides similar images with higher magnification for non-developed countries where participate in the worldwide FedCBMIR with developed countries to facilitate mitosis measuring in breast cancer diagnosis. We evaluate this scenario by scattering BreaKHis into four centers with different magnifications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI