面向类别不平衡的半监督联邦图像诊断的动态库学习
计算机视觉与模式识别
2022-06-28 v1 人工智能
摘要
尽管近期半监督联邦学习（FL）在医学图像诊断上取得了进展，但未标注客户端间类别分布不平衡的问题在实际使用中仍未解决。本文研究了一个实用且具有挑战性的类别不平衡半监督联邦学习（imFed-Semi）问题，该设定允许所有客户端仅拥有未标注数据，而服务器仅拥有少量标注数据。这一 imFed-Semi 问题通过一种新颖的动态库学习方案得以解决，该方案利用类别比例信息改进客户端训练。该方案由两部分组成：动态库构建，为每个本地客户端提炼不同的类别比例；以及子库分类，强制本地模型学习不同的类别比例。我们在两个公共真实世界医学数据集上评估了我们的方法，包括含 25,000 张 CT 切片的颅内出血诊断和含 10,015 张皮肤镜图像的皮肤病变诊断。与次优方法相比，我们的方法在准确率上取得了显著提升（7.61% 和 4.69%），并通过全面的分析研究验证了其有效性。代码见 https://github.com/med-air/imFedSemi。
引用
@article{arxiv.2206.13079,
title = {Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance},
author = {Meirui Jiang and Hongzheng Yang and Xiaoxiao Li and Quande Liu and Pheng-Ann Heng and Qi Dou},
journal= {arXiv preprint arXiv:2206.13079},
year = {2022}
}
备注
Early accepted by 25th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI'22)