一种用于跨域手术图像分割的客户端-服务器深度联邦学习
计算机视觉与模式识别
2023-06-16 v1
摘要
本文针对 2D 手术图像分割的跨域自适应问题提出一种解决方案，明确考虑属于不同中心的分布式数据集的隐私保护。医学图像分析中的深度学习架构需要大量训练数据以获得更好的泛化能力。然而，获取足够的诊断与手术数据仍具挑战性，主要由于数据整理的内在成本以及数据标注对专家的需求。此外，日益增长的隐私与法律合规担忧会使跨临床站点或区域的数据共享变得困难。医学数据集面临的另一个普遍挑战是不同中心所采集数据间不可避免的域偏移。为此，我们提出一种用于跨域自适应的客户端-服务器深度联邦架构。服务器托管一组对源域与目标域均通用的不可变参数。客户端由各自的域特定参数组成，并在学习自身参数与推理时向服务器发出请求。我们在两个基准数据集上评估了我们的框架，展示了其在计算机辅助干预中的内镜息肉分割以及诊断性皮肤病变检测与分析方面的适用性。我们大量的定量与定性实验证明了所提方法相较竞争基线与最先进 (SOTA) 方法的优越性。代码见：https://github.com/thetna/distributed-da
引用
@article{arxiv.2306.08720,
title = {A Client-server Deep Federated Learning for Cross-domain Surgical Image Segmentation},
author = {Ronast Subedi and Rebati Raman Gaire and Sharib Ali and Anh Nguyen and Danail Stoyanov and Binod Bhattarai},
journal= {arXiv preprint arXiv:2306.08720},
year = {2023}
}