有限数据下医学图像分类的两阶段联邦迁移学习框架：以COVID-19为例
图像与视频处理
2022-05-30 v2 密码学与安全
计算机视觉与模式识别
机器学习
摘要
COVID-19疫情迅速蔓延并导致全球医疗资源短缺。COVID-19诊断的效率变得极为重要。由于深度学习与卷积神经网络(CNN)已被广泛采用并在医学图像分析中得以验证，其已成为计算机辅助诊断的有力工具。然而，借助深度学习和神经网络进行医学图像分类面临两个最显著的挑战：其一是难以获取足够样本，可能导致模型过拟合；另一挑战主要来自隐私问题，因为医疗相关记录常被视为患者隐私信息，并受GDPR与HIPPA等法律保护。联邦学习可确保模型训练在不同设备上去中心化进行且设备间不共享数据，从而保障隐私。但数据分布于不同设备时，各设备可访问的数据可能有限。由于迁移学习已在处理有限数据方面展现出良好性能，因此本文尝试利用CNN实现联邦学习与迁移学习技术，以肺部CT扫描对COVID-19进行分类。我们还探究了联邦学习下客户端的数据集分布以及模型训练轮数的影响。最终，我们在联邦学习下取得了极高性能，证明了我们在兼顾准确率与隐私方面的成功。
引用
@article{arxiv.2203.12803,
title = {A Two-Stage Federated Transfer Learning Framework in Medical Images Classification on Limited Data: A COVID-19 Case Study},
author = {Alexandros Shikun Zhang and Naomi Fengqi Li},
journal= {arXiv preprint arXiv:2203.12803},
year = {2022}
}
备注
10 pages, 11 figures