[論文レビュー] Deep Anatomical Federated Network (Dafne): An open client-server framework for the continuous, collaborative improvement of deep learning-based medical image segmentation

Francesco Santini, Jakob Wasserthal+12 more|arXiv (Cornell University)|Feb 13, 2023

Radiomics and Machine Learning in Medical Imaging被引用数 20

ひとこと要約

Dafne は、医療画像セグメンテーションを改善するための連邦的な逐次学習を実現する、自由で分散型のクライアント-サーバー系システムです。MRIデータで検証され、世代を超えて測定可能な性能向上を示しました。

ABSTRACT

Purpose: To present and evaluate Dafne (deep anatomical federated network), a freely available decentralized, collaborative deep learning system for the semantic segmentation of radiological images through federated incremental learning. Materials and Methods: Dafne is free software with a client-server architecture. The client side is an advanced user interface that applies the deep learning models stored on the server to the user's data and allows the user to check and refine the prediction. Incremental learning is then performed at the client's side and sent back to the server, where it is integrated into the root model. Dafne was evaluated locally, by assessing the performance gain across model generations on 38 MRI datasets of the lower legs, and through the analysis of real-world usage statistics (n = 639 use-cases). Results: Dafne demonstrated a statistically improvement in the accuracy of semantic segmentation over time (average increase of the Dice Similarity Coefficient by 0.007 points/generation on the local validation set, p < 0.001). Qualitatively, the models showed enhanced performance on various radiologic image types, including those not present in the initial training sets, indicating good model generalizability. Conclusion: Dafne showed improvement in segmentation quality over time, demonstrating potential for learning and generalization.

研究の動機と目的

• DLベースの医用画像セグメンテーションの中央データ共有を伴わずに、共同で継続的改善を促進・実現する。
• ユーザー refinements からの incremental learning をサポートする、自由に入手可能なクライアント-サーバーアーキテクチャを提供する。
• 実際のMRIデータセット上でアプローチを評価し、一般化と時間を通じた学習を検討する。

提案手法

• Dafne は、ルートセグメンテーションモデルをホストするサーバーと、ローカルデータにモデルを適用するクライアントからなるクライアント-サーバーアーキテクチャを使用する。
• クライアントは予測を refinements し、ローカルで incremental learning を行い、サーバーへ更新を送信してルートモデルへ統合する。
• このシステムは連続的・協調的なモデル改善を、フェデレーテッド逐次学習を通じて可能にする。
• 評価には MRI データ上でのモデル世代ごとのローカルパフォーマンス向上と、実世界の使用統計の分析が含まれる。

実験結果

リサーチクエスチョン

• RQ1 Dafne を介した分散型の incremental learning は、連続するモデル世代ごとにセグメンテーション精度を向上させることができるか。
• RQ2 クライアントサイドの refinements と連合的な統合は、初期トレーニングセットに含まれていない放射線画像への一般化を高めるか。
• RQ3 実世界での使用における Dafne の実用的影響（使用統計、スケーラビリティ）はどうなるか。

主な発見

• Dafne は時間を追うごとに有意なセグメンテーション精度の改善を示し、ローカル検証セットにおける平均 Dice Similarity Coefficient の世代ごとの増加は 0.007 ポイント（p < 0.001）であった。
• 定性的には、初期トレーニングセットに含まれないデータを含む多様な放射線画像タイプ全体でモデルが改善され、良好な一般化を示した。
• 評価には下肢の MRI データセット38件と実世界の使用ケース639件が含まれ、実用的適用性と学習ポテンシャルを示した。