面向胰腺MRI联邦分割的自适应聚合权重
图像与视频处理
2025-05-08 v3 计算机视觉与模式识别
分布式、并行与集群计算
摘要
联邦学习(FL)能够在机构间无需共享敏感数据即可协作训练模型，因此成为医学成像任务中颇具吸引力的解决方案。然而，传统的FL方法（如联邦平均FedAvg）由于不同机构的成像协议和患者人口统计特征存在差异，难以跨域泛化。这一挑战在胰腺MRI分割中尤为突出，解剖变异和成像伪影会显著影响性能。本文对用于胰腺MRI分割的FL算法进行了全面评估，并提出了一种引入自适应聚合权重的新方法。通过动态调整模型聚合过程中每个客户端的贡献，我们的方法考虑了域特异性差异，并提高了在异构数据集上的泛化能力。实验结果表明，与传统的FL方法相比，我们的方法提高了分割精度，并减少了域偏移的影响，同时保持了隐私保护能力。在多个医院（中心）均观察到了显著的性能提升。
引用
@article{arxiv.2410.22530,
title = {Adaptive Aggregation Weights for Federated Segmentation of Pancreas MRI},
author = {Hongyi Pan and Gorkem Durak and Zheyuan Zhang and Yavuz Taktak and Elif Keles and Halil Ertugrul Aktas and Alpay Medetalibeyoglu and Yury Velichko and Concetto Spampinato and Ivo Schoots and Marco J. Bruno and Rajesh N. Keswani and Pallavi Tiwari and Candice Bolan and Tamas Gonda and Michael G. Goggins and Michael B. Wallace and Ziyue Xu and Ulas Bagci},
journal= {arXiv preprint arXiv:2410.22530},
year = {2025}
}
备注
This paper has been accepted to ISBI 2025