要旨: 医用画像における深層学習の活用は、厳格なプライバシー制約、撮像特性が異なる多様な画像デバイス、そして病理の発現頻度の偏りによるクラス不均衡といった重要な課題に直面している。本研究では、これらの課題に対処するために、ドメインシフト（多様な画像デバイスによって生じる分布のずれ）を解決しつつ、まれな病理の過小表現を緩和する新しい連合学習フレームワークであるFedSSGを提案する。主要な貢献は、合成サンプルを生成し、それらをクライアント間に分配するための戦略により、過小表現となっている病理と画像デバイスの両方に関するカバー範囲を改善する点である。実験結果は、提案手法が、異種の施設間におけるモデル性能と汎化性能を大幅に向上させることを示しており、クライアント側の計算オーバーヘッドは最小限である。
クラスとドメインの不均衡を活用した合成サンプル生成によるフェデレーテッド医用画像分類
arXiv cs.CV / 2026/4/30
📰 ニュースDeveloper Stack & InfrastructureModels & Research
要点
- この論文は、プライバシー制約と、異なる撮像装置によるドメインシフトに対処するフェデレーテッド学習の新フレームワーク「FedSSG」を提案しています。
- 合成サンプル生成の戦略を導入し、それをフェデレーテッドな各クライアントに配布することで、特にまれな病変の表現不足（クラス不均衡）を緩和します。
- 実験結果では、異なる施設や撮像条件にまたがって、ベースラインよりもモデルの性能と汎化能力が大きく向上したことが示されています。
- この手法は、実運用を見据えてクライアント側の計算負荷を最小限に抑える設計になっています。
- 全体として、フェデレーテッド学習に合成データによるカバレッジ拡張を組み合わせ、装置起因のドメイン不均衡と病変起因のクラス不均衡の両方に同時に取り組みます。
