基于数字孪生的联邦迁移学习在计算机断层扫描分析中增强隐私保护并降低分析时间
图像与视频处理
2025-09-11 v1 计算机视觉与模式识别
机器学习
摘要
数字孪生（Digital Twin, DT）技术和联邦学习（Federated Learning, FL）的应用在生物医学图像分析领域具有巨大潜力，尤其是在计算机断层扫描（CT）方面。本文提出联邦迁移学习（Federated Transfer Learning, FTL）作为一种基于数字孪生的 CT 扫描分析新范式。FTL 利用预训练模型和节点间的知识迁移来解决数据隐私、计算资源有限和数据异质性等问题。该框架允许云服务器与启用数字孪生的 CT 扫描仪之间进行实时协作，同时保护患者身份。我们将 FTL 方法应用于异质 CT 扫描数据集，并使用收敛时间、模型准确率、精确率、召回率、F1 分数和混淆矩阵来评估模型性能。结果表明，FTL 在精确率、准确率、召回率和 F1 分数方面均优于传统 FL 和聚类联邦学习（CFL）方法。该技术在数据不满足独立同分布（non-IID）条件的环境中同样有效，为医学诊断提供了可靠、高效且安全的解决方案。这些发现突显了利用 FTL 改进基于数字孪生的 CT 扫描分析决策、实现安全高效的医学图像分析、促进隐私保护，以及为精准医学和智能医疗系统的应用开辟新的可能性。
引用
@article{arxiv.2509.08018,
title = {Enhancing Privacy Preservation and Reducing Analysis Time with Federated Transfer Learning in Digital Twins-based Computed Tomography Scan Analysis},
author = {Avais Jan and Qasim Zia and Murray Patterson},
journal= {arXiv preprint arXiv:2509.08018},
year = {2025}
}