联邦肿瘤分割中自适应权重聚合的差分隐私保护

联邦学习（FL）是一种分布式机器学习方法，通过构建公正的全局模型来保障隐私，同时尊重各客户端数据的隐私。然而，传统FL方法在处理异构客户端数据时可能引入安全风险，潜在危及隐私与数据完整性。为应对这些挑战，我们提出了一种用于医学图像分割的差分隐私（DP）联邦深度学习框架。在本文中，我们将相似性权重聚合（SimAgg）方法扩展为DP-SimAgg算法，一种用于多模态磁共振成像（MRI）中脑肿瘤分割的差分隐私相似性加权聚合算法。我们的DP-SimAgg方法不仅增强了模型分割能力，还提供了额外的隐私保护层级。对我们框架的广泛基准测试与评估（以计算性能为关键考量）表明，DP-SimAgg能够实现准确且鲁棒的脑肿瘤分割，同时将模型训练期间的通信成本降至最低。这一进展对于保护医学图像数据隐私及守护敏感信息至关重要。总之，在联邦脑肿瘤分割的全局权重聚合阶段加入差分隐私层，提供了一种在不损害分割模型效能的前提下解决隐私问题的有前景方案。通过利用DP，我们确保客户端数据免受对抗攻击与恶意参与者的威胁。