抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
胸部コンピュータトモグラフィ(CT)スキャンは,COVID-19診断のための低コスト,速度,および客観性を示し,深層学習法は,これらの画像の解析と解釈を助ける際に大きな有望性を示している。ほとんどの病院または国は,家庭内データを用いて自分自身のモデルを訓練できるが,経験的証拠は,これらのモデルが,協調したグローバル共同作業の必要性に直面して,新しい非Se事例で試験するとき,十分に機能しないことを示す。プライバシー規制により,病院と国の間の医療データ共有は極めて困難である。著者らは,COVID-19画像セグメンテーションのために,GAN増強連合学習モデル,dubbed ST-FL(Style Transfer Fedated Learning)を提案した。反復学習(FL)は,異種の個人データサイロに位置する異種データセットから安全な方法で学習される集中化モデルを可能にする。著者らは,FLクライアントノードに関する広く変化するデータ品質が,COVID-19胸部CT画像セグメンテーションのための準最適中心化FLモデルをもたらすことを示した。ST-FLは,クライアントノードにおける高可変データ品質の面でロバストである新しいFLフレームワークである。ロバスト性は,任意の品質画像を同じ目標品質に写像する連合の各々のクライアントで雑音除去サイクルGANモデルによって達成され,実世界FL利用事例で明白な厳しいデータ変動を打ち消す。各クライアントは,すべてのクライアントで同じであり,自分自身の雑音除去者を訓練するターゲットスタイルで提供される。著者らの定性的および定量的結果は,このFLモデルが,すべての訓練データに集中したアクセスを持つモデルよりも,相対的に,また,いくつかの場合において,より良好に機能することを示した。【JST・京大機械翻訳】