对抗学习驱动的多模态跨域联邦医学分割
计算机视觉与模式识别
2025-09-30 v1
摘要
联邦学习使不同客户机在确保数据隐私的前提下协同训练机器学习模型，成为打破医疗数据孤岛的主流方法。然而，医疗资源不平衡、数据损坏或不当数据保存可能导致不同客户机拥有不同模态的医学图像。这种异构性在联邦学习框架内的跨域医学图像分割中提出了重大挑战。为解决这一挑战，我们提出一种新的联邦域适应（FedDA）分割训练框架。具体而言，我们通过嵌入对抗训练机制在客户机之间对齐特征图，提出一种面向客户机的特征级对抗学习。这种设计可以增强模型在多个域上的泛化能力，缓解由域迁移造成的负面影响。在三个医学图像数据集上的全面实验表明，我们提出的 FedDA 显著实现了跨域联邦聚合，赋予单模态客户机跨模态处理能力，持续在客观和主观评估中优于现有最先进的联邦聚合算法。我们的代码已公开于 https://github.com/GGbond-study/FedDA。
引用
@article{arxiv.2509.23907,
title = {Adversarial Versus Federated: An Adversarial Learning based Multi-Modality Cross-Domain Federated Medical Segmentation},
author = {You Zhou and Lijiang Chen and Shuchang Lyu and Guangxia Cui and Wenpei Bai and Zheng Zhou and Meng Li and Guangliang Cheng and Huiyu Zhou and Qi Zhao},
journal= {arXiv preprint arXiv:2509.23907},
year = {2025}
}