Mar, 2024

通过隐私保护的 MRI 分析推动医疗保健

PDF
TL;DR通过采用 Ensemble-Based Federated Learning（EBFL）框架，该研究实现了用于检测脑瘤的精确和可靠的诊断方法，达到了 94% 的全局模型精度和 96% 的集成模型精度。
magnetic resonance imagingartificial intelligencemachine learningensemble-based federated learningbrain tumors
发现论文，激发创造
  • 基于分布式联邦学习的隐私 MRI 脑瘤检测深度学习模型

    本研究通过创新性地使用联邦学习方法，解决数据隐私和高效疾病诊断的双重挑战，以提高医学图像分类的准确性和效率，展示了联邦学习在磁共振成像（MRI）脑肿瘤检测中的应用效果，并强调了解决数据异质性的重要性和拓展联邦学习在医学图像分析中的研究方向。

    Apr, 2024

  • 基于云的联邦学习框架用于 MRI 分割

    本研究提出了一种面向农村医疗机构的脑组织分割新框架，采用深度强化学习环境与本地部署的细化模型相结合。该框架通过有限数据集的训练，验证了其在多样性场所的分割准确性，使得平均准确率达到 92%。

    Mar, 2024

  • 基于联邦学习的深度学习磁共振图像重建的多机构合作

    本研究提出了一种针对磁共振图像重建的联邦学习解决方案，该方案利用了不同机构可用的磁共振数据，同时保护了患者隐私；为了克服因使用多个机构数据而产生的域移位，提出了一种跨站点建模方法，实验结果表明该方法有望在不影响患者隐私的前提下提高磁共振图像重建的效果。

    Mar, 2021

  • 隐私保护的医学影像联合学习与不确定性估计

    机器学习和人工智能在医疗领域取得了显著进展，尤其在医学影像方面，机器学习模型有望改善疾病诊断、治疗计划和后期监测。联邦学习作为一个解决方案，允许组织通过共享模型训练信息（梯度）而非数据（如医学影像）来进行机器学习模型的合作训练，从而实现机构间的协作和保护患者隐私。然而，联邦学习仍面临一些挑战，本文对联邦学习、隐私保护和不确定性估计进行了综合评述，重点关注医学影像，同时指出了该领域的研究空白，并提出了未来联邦学习研究的方向，以增强隐私保护并解决医学影像数据中的噪声挑战。

    Jun, 2024

  • 利用分布式电子医疗记录进行联邦机器学习预测死亡率和住院时间的患者聚类提高效率

    介绍了一种基于社群的联邦机器学习算法，将分布式数据聚类成具有相似诊断和地理位置的有临床意义的社群，使每个社群可以学习一个模型。该算法在现场非 IID ICU EMR 上表现优于传统方法，同时可以保护隐私。

    Mar, 2019

  • 乳腺密度分类的联邦学习：一个实际实现

    本文研究了在真实的合作环境下使用联邦学习（FL）构建医学成像分类模型。通过对世界各地的七个临床机构的数据进行联邦学习，成功地训练了乳腺密度分类模型，其性能比在机构的本地数据训练的模型平均提高了 6.3％，在其他机构的测试数据上表现出了 45.8％的相对改进。

    Sep, 2020

  • 集成联邦学习：一种协作性肺炎诊断方法

    通过集成联邦学习方法，在医疗图像数据集隐私保护的前提下，在胸部 X 线图像中取得了 96.63％的准确度，并在文献中与其他方法取得了相当竞争性的结果。

    Dec, 2023

  • 智能移动健康系统的隐私保护边缘联邦学习

    我们提出一种在物联网基础设施上，针对资源受限的移动健康和可穿戴技术的隐私保护边缘联邦学习框架，并通过在 Amazon 的 AWS 云平台上使用可穿戴技术监测癫痫的发作检测应用的实施评估了我们提议的框架。

    May, 2024

  • MRI 数据处理的机器学习技术在不断扩展的规模下的应用

    医学扫描数据、大规模研究、机器学习训练、分布转变和表征学习是本研究论文的主要关键词和主题。

    Apr, 2024

  • 医疗人工智能模型的非均匀标签协同训练

    本论文提出了一种新的框架 —— 灵活的联邦学习（FFL），可用于协作训练医疗图像分析的大型、异质标记数据集，研究表明，使用 FFL 训练的模型优于仅使用匹配标记训练的模型。

    Nov, 2022