基于云的联邦学习框架用于 MRI 分割
机器学习
2024-09-27 v1 人工智能
计算机视觉与模式识别
摘要
在当代农村医疗环境中，诊断脑部图像的主要挑战在于可用数据的稀缺，因为大多数现有深度学习模型需要大量训练数据以优化性能，这往往 necessitating 集中式处理方法，从而可能危及数据隐私。本文提出了一种专为农村医疗机构脑组织分割量身定制的新颖框架。该框架采用深度强化学习（DRL）环境与部署在农村医疗站点的本地细化模型（RM）协同工作。所提出的 DRL 模型参数量较少，适用于分布式农村站点的实施。为了在不违反隐私约束的前提下维护数据隐私并增强模型泛化能力，我们采用联邦学习（FL）进行协作模型训练。我们通过使用有限数据集训练网络并观察到显著的性能提升，证明了该方法的有效性，缓解了不同站点间分割的不准确性和不规则性。值得注意的是，在面对数据不足时，DRL 模型的准确率高达 80%，超越了传统卷积神经网络的能力。引入我们的 RM 可使准确率额外提高至少 10%，而 FL 则贡献了高达 5% 的进一步准确率提升。总体而言，该框架在具有数据限制特征的农村医疗环境中实现了平均 92% 的准确率。
引用
@article{arxiv.2403.00254,
title = {Cloud-based Federated Learning Framework for MRI Segmentation},
author = {Rukesh Prajapati and Amr S. El-Wakeel},
journal= {arXiv preprint arXiv:2403.00254},
year = {2024}
}