用于隐私保护 MRI 脑肿瘤检测的分布式联邦学习深度学习模型
图像与视频处理
2024-04-17 v1 密码学与安全
机器学习
摘要
分布式训练可以促进大型医学图像数据集的处理，在保护患者隐私的同时提高疾病诊断的准确性和效率，这对于实现高效的医学图像分析和加速医学研究进展至关重要。本文提出了一种创新的医学图像分类方法，利用联邦学习（Federated Learning, FL）来解决数据隐私和高效疾病诊断的双重挑战。传统的集中式机器学习模型尽管在疾病诊断等医学成像任务中得到了广泛应用，但由于患者数据的敏感性，引发了重大的隐私担忧。作为替代方案，FL 允许在本地客户端上训练集体全局模型而无需集中数据，从而保护隐私，成为一种有前景的解决方案。本研究聚焦于 FL 在磁共振成像（Magnetic Resonance Imaging, MRI）脑肿瘤检测中的应用，证明了联邦学习框架结合 EfficientNet-B0 和 FedAvg 算法在增强隐私保护和诊断准确性方面的有效性。通过精心选择预处理方法、算法和超参数，并对各种卷积神经网络（Convolutional Neural Network, CNN）架构进行比较分析，该研究揭示了图像分类的最优策略。实验结果表明，EfficientNet-B0 在处理数据异构性和实现更高准确性及更低损失方面优于 ResNet 等其他模型，突显了 FL 在克服传统模型局限性方面的潜力。该研究强调了解决数据异构性的重要性，并提出了拓宽 FL 在医学图像分析中适用性的未来研究方向。
引用
@article{arxiv.2404.10026,
title = {Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection},
author = {Lisang Zhou and Meng Wang and Ning Zhou},
journal= {arXiv preprint arXiv:2404.10026},
year = {2024}
}