基于注意力机制和 FedProx 的 U-Net 模型乳腺癌分割新方法
计算机视觉与模式识别
2025-10-23 v1 人工智能
摘要
乳腺癌是全球女性死亡的主要原因，强调早期检测和准确诊断的重要性。因此，超声成像作为一种可靠且高性价比的工具被用于此目的，但医学数据的敏感性质使得开发准确且保护患者隐私的人工智能模型具有挑战性。Federated Learning 作为一种在保护患者隐私的同时，对分布式医学数据进行机器学习的有前景技术，为解决这一问题提供了可能。然而，在非独立且不相同分布（non-IID）的本地数据集上进行训练会影响训练模型的准确性和泛化能力，这对于准确描绘乳腺癌（BC）分割中的肿瘤边界至关重要。本研究旨在通过将 Federated Proximal（FedProx）方法应用于非IID的超声乳腺癌影像数据集来解决这一挑战。此外，我们专注于通过纳入修改后的 U-Net 模型并注意力机制来增强肿瘤分割的准确性。我们的ethods 结果显示，获得的全局模型达到了96%的准确率，证明了我们方法在提高肿瘤分割准确性的同时，有效保留了患者隐私。我们的发现表明，FedProx 有潜力成为在非IID的本地医学数据集上训练精确机器学习模型的有前景方法。
引用
@article{arxiv.2510.19118,
title = {A Novel Approach to Breast Cancer Segmentation using U-Net Model with Attention Mechanisms and FedProx},
author = {Eyad Gad and Mustafa Abou Khatwa and Mustafa A. Elattar and Sahar Selim},
journal= {arXiv preprint arXiv:2510.19118},
year = {2025}
}