用于多参数MRI脑肿瘤分割的去中心化Gossip互学习
图像与视频处理
2024-01-30 v1 计算机视觉与模式识别
机器学习
摘要
联邦学习（Federated Learning, FL）使医疗中心之间能够在不共享私有数据的情况下进行协作模型训练。然而，由于集中式模型聚合的性质，传统FL面临服务器故障的风险，且在本地数据上表现欠佳。为了解决这些问题，我们提出了Gossip互学习（Gossip Mutual Learning, GML），这是一个使用Gossip协议进行直接点对点通信的去中心化框架。此外，GML鼓励每个站点通过互学习优化其本地模型，以考虑不同站点之间的数据差异。在使用BraTS 2021数据集中来自四个临床站点的146个病例进行肿瘤分割任务中，我们证明了GML优于本地模型，并且仅以25%的通信开销达到了与FedAvg相似的性能。
引用
@article{arxiv.2401.15434,
title = {Decentralized Gossip Mutual Learning (GML) for brain tumor segmentation on multi-parametric MRI},
author = {Jingyun Chen and Yading Yuan},
journal= {arXiv preprint arXiv:2401.15434},
year = {2024}
}
备注
3 pages, 1 figure, accepted to IEEE EMBS 2023. arXiv admin note: text overlap with arXiv:2401.06180