Federated Learning for Breast Density Classification: A Real-World Implementation

Autor: Roth, Holger R., Chang, Ken, Singh, Praveer, Neumark, Nir, Li, Wenqi, Gupta, Vikash, Gupta, Sharut, Qu, Liangqiong, Ihsani, Alvin, Bizzo, Bernardo C., Wen, Yuhong, Buch, Varun, Shah, Meesam, Kitamura, Felipe, Mendonça, Matheus, Lavor, Vitor, Harouni, Ahmed, Compas, Colin, Tetreault, Jesse, Dogra, Prerna, Cheng, Yan, Erdal, Selnur, White, Richard, Hashemian, Behrooz, Schultz, Thomas, Zhang, Miao, McCarthy, Adam, Yun, B. Min, Sharaf, Elshaimaa, Hoebel, Katharina V., Patel, Jay B., Chen, Bryan, Ko, Sean, Leibovitz, Evan, Pisano, Etta D., Coombs, Laura, Xu, Daguang, Dreyer, Keith J., Dayan, Ittai, Naidu, Ram C., Flores, Mona, Rubin, Daniel, Kalpathy-Cramer, Jayashree

Publikováno v: In: Albarqouni S. et al. (eds) Domain Adaptation and Representation Transfer, and Distributed and Collaborative Learning. DART 2020, DCL 2020. Lecture Notes in Computer Science, vol 12444. Springer, Cham

Building robust deep learning-based models requires large quantities of diverse training data. In this study, we investigate the use of federated learning (FL) to build medical imaging classification models in a real-world collaborative setting. Seve

Externí odkaz: http://arxiv.org/abs/2009.01871

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.