胸部X線画像のための最適輸送ベースの異種連合学習

• 連合学習フレームワーク「FedPAC-ME」が提案され、医療画像分析で精度98.80%を達成。既存ベースラインを2.5%以上上回った。

• YOLOv12を用いた動的バリアアンス考慮型連合学習チューニング(DV-FedTune)フレームワークを提案し、KITTIデータセットでFedAvg等と比較し通信効率・計算コスト・モデル性能・プライバシー保護の全側面で優位性を実証
• 非IIDデータ条件下での自律走行車の知覚モデルにおける連合学習の性能低下問題に対して、新たな解決手法を提示

本研究は、12,446枚の腎臓CT画像を用いて、腎異常の正確な分類とデータプライバシーの両立を目指す、新しい連合転移学習フレームワークを提案する。CT画像はリサイズ、正規化、ランダム回転、水平フリップ、カラージッターなどのデータ拡張を経て、MobileNetV2、EfficientNetV2-S、ResNet50、DenseNet121、InceptionResNetV2の5つの事前学習済みモデルが7つの連合クライアントで訓練された。モデルパラメータの集約には連合重み付け平均が用いられ、クライアントとサーバー間の通信にはAES-256暗号化が適用された。MobileNetV2が最も高い性能を…

• 心電図(ECG)不整脈検出のため、患者データを中央集約せず分散学習する半教師あり連合学習フレームワークを提案。マルチレベル特徴抽出・適応的特徴融合・疑似ラベリングを組み合わせ、ラベル付き/ラベルなしデータを活用。
• クライアントの貢献度を考慮した重み付き連合集約によりグローバルモデルを更新する方式を採用。
• MIT-BIH不整脈データセットで評価し、半教師あり連合学習設定で96.81%の精度とAUC 0.9957を達成。ランダムフォレスト、SVM、K近傍法、AdaBoost、勾配ブースティング、多層パーセプトロンと比較。

医療画像セグメンテーションは、AIによる臨床実践の基盤となるが、既存の手法はクラス間の意味的関係性を活用できていない。本研究では、ラベルの階層構造を利用した2つのツリーベースの意味損失関数を提案する。さらに、これらの損失関数を、疎なアノテーションを用いた学習アプローチに組み込むことで、適用範囲を拡大する。頭部MRIを用いた全脳分画タスク(完全教師あり)と、神経外科用ハイパースペクトルイメージングを用いたシーン理解タスク(疎アノテーション)の2つのタスクで広範な実験を行った。結果として、全脳分画ではWassersteinベースの複合損失が、疎なハイパースペクトルイメージングでは階層重み付けトッ…