面向联邦脑肿瘤分割的不同聚合与超参数选择方法的评估与分析
机器学习
2022-09-07 v2 人工智能
计算机视觉与模式识别
分布式、并行与集群计算
图像与视频处理
摘要
大规模、多样化且跨国的数据集对于医学影像领域有效且具临床适用性的 AI 系统的开发至关重要。然而，将这些数据集汇集到中心位置以形成全局模型会带来各种数据隐私与所有权问题。为缓解这些问题，近期若干研究聚焦于联邦学习范式，一种面向去中心化数据的分布式学习方法。联邦学习利用所有可用数据，而无需合作方彼此共享数据或将数据收集到中心服务器。研究表明，联邦学习可提供与常规中心训练相竞争的性能，同时具备良好的泛化能力。本工作中，我们研究了脑肿瘤分割问题上的若干联邦学习方法。我们探索了可实现更快收敛与更优性能、且能在强非独立同分布（Non-IID）情形下生效的不同策略。
引用
@article{arxiv.2202.08261,
title = {Evaluation and Analysis of Different Aggregation and Hyperparameter Selection Methods for Federated Brain Tumor Segmentation},
author = {Ece Isik-Polat and Gorkem Polat and Altan Kocyigit and Alptekin Temizel},
journal= {arXiv preprint arXiv:2202.08261},
year = {2022}
}
备注
MICCAI 2021, Brain Lesion Workshop