用于多中心左心房 MRI 分割的分布式学习预测解耦
图像与视频处理
2022-06-14 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
分布式学习在医学图像分析中展现出巨大潜力。它允许在隐私保护下使用多中心训练数据。然而，由于成像厂商和标注协议的不同，各本地中心的数据分布可能存在差异。这种差异会降低基于学习的方法的性能。为缓解该影响，针对不同的目标已提出两组方法，即全局方法与个性化方法。前者旨在提升单一全局模型对所有来自未知中心（称为泛化数据）的测试数据的性能；后者则针对每个中心瞄准多个模型（记为本地数据）。然而，同时实现这两类目标的研究甚少。本工作中，我们提出了一种桥接两组方法鸿沟并提升泛化数据与本地数据性能的分布式学习新框架。具体而言，我们的方法通过分布条件自适应矩阵解耦泛化数据与本地数据的预测。在多中心左心房（LA）MRI 分割上的结果表明，我们的方法在泛化数据与本地数据上均优于现有方法。我们的代码见 https://github.com/key1589745/decouple_predict
引用
@article{arxiv.2206.05284,
title = {Decoupling Predictions in Distributed Learning for Multi-Center Left Atrial MRI Segmentation},
author = {Zheyao Gao and Lei Li and Fuping Wu and Sihan Wang and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2206.05284},
year = {2022}
}
备注
Accepted by MICCAI 2022