来自不同脑疾病和 MRI 模态的客户端数据库进行联邦学习的可行性研究
图像与视频处理
2024-11-20 v3 计算机视觉与模式识别
机器学习
摘要
脑病灶 MRI 分割模型通常为特定疾病开发，训练于预定义的 MRI 模态集合。此类模型无法对使用不同 MRI 模态集合的疾病进行分割，也无法对其他类型的疾病进行分割。此外，这种训练范式阻止模型利用可能包含不同脑病变和多样 MRI 模态集合的扫描和分割标签的异构数据库的优势。此外，患者数据的保密性常常阻止中心数据聚合， necessitating 去中心化方法。是否可以使用联邦学习（FL）在包含不同脑病变和多样 MRI 模态集合的客户端数据库上训练单个模型？我们通过结合适当、简单且实用的模型和训练策略的修改，展示了有前景的结果：设计覆盖各客户端可用模态集合的输入通道，采用随机模态丢弃进行训练，并探讨特征归一化方法的影响。在 7 个脑 MRI 数据库和 5 种不同疾病上的评估表明，该 FL 框架能够训练单个模型，在训练期间看到的全部疾病类型上实现令人鼓舞的结果。重要的是，它能够在包含训练客户端不同模态集合的数据库中对这些疾病进行分割。这些结果首次证明了使用 FL 在具有不同脑疾病和 MRI 模态的去中心化数据上训练单个 3D 分割模型的可行性和有效性，为利用异构真实世界数据库铺平了必要的道路。代码：https://github.com/FelixWag/FedUniBrain
引用
@article{arxiv.2406.11636,
title = {Feasibility of Federated Learning from Client Databases with Different Brain Diseases and MRI Modalities},
author = {Felix Wagner and Wentian Xu and Pramit Saha and Ziyun Liang and Daniel Whitehouse and David Menon and Virginia Newcombe and Natalie Voets and J. Alison Noble and Konstantinos Kamnitsas},
journal= {arXiv preprint arXiv:2406.11636},
year = {2024}
}
备注
Accepted as a conference paper at WACV 2025