通过隐私保护的MRI分析赋能医疗保健
图像与视频处理
2024-03-18 v1 计算机视觉与模式识别
摘要
在医疗保健领域，磁共振成像（MRI）发挥着关键作用，因为它利用人工智能（AI）和机器学习（ML）方法从成像数据中提取宝贵的见解。然而，从不同医疗来源收集数据时，患者隐私的迫切需求带来了重大挑战。因此，深度学习（DL）社区偶尔会在检测罕见特征方面遇到困难。在这项研究工作中，我们引入了基于集成的联邦学习（EBFL）框架，这是一种针对此挑战量身定制的创新解决方案。EBFL框架偏离了传统方法，强调模型特征而非共享敏感的患者数据。这种独特的方法为医疗机构营造了一个协作且注重隐私的环境，使它们能够利用中央服务器的能力进行模型优化，同时维护最高的数据隐私标准。相反，强大的集成架构拥有强大的特征提取能力，使其有别于单个DL模型。这种特性使其在MRI分析中非常可靠。通过利用我们开创性的EBFL方法，我们在脑肿瘤（包括胶质瘤、脑膜瘤、垂体瘤和非肿瘤病例）分类中实现了卓越的精度，全局模型达到了94%的精确率，集成模型达到了令人印象深刻的96%的精确率。我们的模型使用传统的性能指标（如准确率、精确率、召回率和F1分数）进行了严格评估。将深度学习集成到联邦学习（FL）框架中，产生了一种能够为检测脑肿瘤提供精确且可靠诊断的方法。
引用
@article{arxiv.2403.09836,
title = {Empowering Healthcare through Privacy-Preserving MRI Analysis},
author = {Al Amin and Kamrul Hasan and Saleh Zein-Sabatto and Deo Chimba and Liang Hong and Imtiaz Ahmed and Tariqul Islam},
journal= {arXiv preprint arXiv:2403.09836},
year = {2024}
}
备注
6