非对比自监督学习在联邦医学图像分析中的评估
计算机视觉与模式识别
2023-03-13 v1
摘要
隐私与标注瓶颈是深刻影响基于机器学习的医学图像分析实用性的两个主要问题。尽管在这些领域已取得显著进展，这些问题尚未完全解决。在本文中，我们直面这些关切，并在联邦学习（FL）模拟下系统探索非对比自监督学习（SSL）算法在医学图像分析中的适用性。我们在标准 FL 设置下对近期提出的最先进非对比框架进行了充分实验。以 SoTA 对比学习算法 SimCLR 作为对比基线，我们在非独立同分布数据条件及不同客户端数量下，对所选 4 种非对比算法的性能进行基准测试。我们在 6 个标准化医学成像数据集上对这些技术进行了整体评估。我们进一步分析了从研究结果中推断出的不同趋势，旨在基于我们的工作为后续研究指明方向。据我们所知，我们是首个对医学影像的联邦自监督学习进行如此透彻分析的工作。我们的所有源代码将在论文被接收后公开。
引用
@article{arxiv.2303.05556,
title = {An Evaluation of Non-Contrastive Self-Supervised Learning for Federated Medical Image Analysis},
author = {Soumitri Chattopadhyay and Soham Ganguly and Sreejit Chaudhury and Sayan Nag and Samiran Chattopadhyay},
journal= {arXiv preprint arXiv:2303.05556},
year = {2023}
}