Generalizable Segmentation of COVID-19 Infection From Multi-Site Tomography Scans: A Federated Learning Framework
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
COVID-19-like pandemics are a major threat to the global health system that causes a lot of deaths across ages. Large-scale medical images (i.e., X-rays, computed tomography (CT)) dataset is favored to the accuracy of deep learning (DL) in the screening of COVID-19-like pneumonia. The cost, time, and efforts for acquiring and annotating, for instance, large CT datasets make it impossible to obtain large numbers of samples from a single institution. The research attentions have been moved toward sharing medical images from numerous medical institutions. However, owing to the necessity to preserve the privacy of the data of a patient, it is challenging to build a centralized dataset from many institutions, especially during the pandemic. More. The difference in the data acquisition process from one institution to another brings another challenge known as distribution heterogeneity. This paper presents a novel federated learning framework, called Federated Multi-Site COVID-19 (FEDMSCOV), for efficient, generalizable, and privacy-preserved segmentation of COVID-19 infection from multi-site data. In FEDMSCOV, a novel is local drift smoothing (LDS) module encodes the input from feature space to frequency space, aiming to suppress the modules that are not conducive to generalization. Given the smoothed local updated, FEDMSCOV presents a novel Mixture-of-Expert (MoE) scheme to resolve global shift in parameters. An adapted differential privacy method is applied to design and protect the privacy of local updates during the training. Experimental evaluation on a large-scale multi-institutional COVID-19 dataset demonstrated the efficiency of the proposed framework over competing learning approaches with statistical significance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle