解剖学3D风格迁移：实现通信成本极低下的高效联邦学习
计算机视觉与模式识别
2024-10-29 v1
摘要
本研究提出一种新颖的联邦学习（FL）方法，利用3D风格迁移用于多器官分割任务。多器官数据集通过整合多个数据集获得，具有高可扩展性，可随数据量增加而提高泛化性能。然而，由于不同客户因 imaging 条件和目标器官的差异导致数据异构性，可能导致局部模型严重过拟合。为对因fit到不同本地数据集而产生的模型进行对齐，现有方法需要与中心服务器进行频繁通信，导致更高的通信成本和隐私泄露风险。为实现高效且安全的联邦学习，本文提出了一种基于解剖学3D频域泛化（Anatomical 3D Frequency Domain Generalization，A3DFDG）的方法。A3DFDG利用人体器官的结构信息，并基于器官位置将3D风格进行聚类。通过对这些聚类进行风格混合，它保留了解剖学信息，引导模型学习器官内部的多样性，同时对齐每个局部模型的优化。实验表明，在通信成本受到严格限制（仅为原始成本的1.25%）的情况下，本方法仍能保持准确性，与基线方法相比，Dice相似系数得分提高了4.3个百分点。尽管该方法简单且计算开销极小，但这些结果表明该方法在需要低通信成本和简单流程的实际场景中具有高度实用性。本项目使用的代码将公开 disponible。
引用
@article{arxiv.2410.20102,
title = {Anatomical 3D Style Transfer Enabling Efficient Federated Learning with Extremely Low Communication Costs},
author = {Yuto Shibata and Yasunori Kudo and Yohei Sugawara},
journal= {arXiv preprint arXiv:2410.20102},
year = {2024}
}
备注
Accepted by AIM-FM Workshop at NeurIPS 2024