一种用于狭窄检测的联邦学习框架
图像与视频处理
2023-10-31 v1 机器学习
摘要
本研究探索了联邦学习（FL）在冠脉造影图像（CA）中狭窄检测的应用。考虑了来自两家机构的两个异构数据集：数据集 1 包含来自 200 名患者的 1219 张图像，由我们在意大利安科纳 Ospedale Riuniti 医院采集；数据集 2 包含来自既往文献中一项研究的 90 名患者的 7492 张连续图像。狭窄检测通过使用 Faster R-CNN 模型完成。在我们的 FL 框架中，仅模型主干的权重在两客户端机构间共享，并使用联邦平均（FedAvg）进行权重聚合。我们使用精确率（P rec）、召回率（Rec）和 F1 分数（F1）评估狭窄检测性能。我们的结果表明，FL 框架未对客户端 2 的性能产生实质性影响，其通过本地训练已取得良好性能；而对于客户端 1，FL 框架相对于本地模型的性能分别提升了 +3.76%、+17.21% 和 +10.80%，达到 P rec = 73.56、Rec = 67.01 和 F1 = 70.13。基于这些结果，我们表明 FL 能够通过处理来自不同机构的数据异构性，同时保护患者隐私，实现与 CA 中自动狭窄检测相关的多中心研究。
关键词
引用
@article{arxiv.2310.19445,
title = {A Federated Learning Framework for Stenosis Detection},
author = {Mariachiara Di Cosmo and Giovanna Migliorelli and Matteo Francioni and Andi Mucaj and Alessandro Maolo and Alessandro Aprile and Emanuele Frontoni and Maria Chiara Fiorentino and Sara Moccia},
journal= {arXiv preprint arXiv:2310.19445},
year = {2023}
}