FedA3I：针对异质标注噪声的联邦医学图像分割标注质量感知聚合
机器学习
2024-01-19 v2 计算机视觉与模式识别
摘要
联邦学习 (FL) 因其隐私保护特性，已成为在去中心化医学数据上训练分割模型的一种极具前景的范式。然而，现有研究忽略了现实医学数据集中普遍存在的标注噪声，这限制了 FL 的性能上限。在本文中，我们首次识别并解决了这一问题。在问题形式化方面，我们提出了一种轮廓演化来建模每个客户端内像素间的非独立同分布 (Non-IID) 噪声，随后将其扩展至多源数据情形，形成异质噪声模型（即跨客户端的 Non-IID 标注噪声）。为了从具有此类两级 Non-IID 噪声的标注中实现鲁棒学习，我们强调了模型聚合中数据质量的重要性，允许高质量客户端对 FL 产生更大影响。为实现这一点，我们通过引入基于逐客户端噪声估计的质量因子，提出了具有标注质量感知聚合的联邦学习，命名为 FedA3I。具体而言，每个客户端的噪声估计通过高斯混合模型完成，随后以逐层方式纳入模型聚合中，以为高质量客户端上调权重。在两个真实医学图像分割数据集上的大量实验表明，FedAI 在处理跨客户端标注噪声方面优于现有最先进方法。代码可在 https://github.com/wnn2000/FedAAAI 获取。
引用
@article{arxiv.2312.12838,
title = {FedA3I: Annotation Quality-Aware Aggregation for Federated Medical Image Segmentation against Heterogeneous Annotation Noise},
author = {Nannan Wu and Zhaobin Sun and Zengqiang Yan and Li Yu},
journal= {arXiv preprint arXiv:2312.12838},
year = {2024}
}
备注
Accepted at AAAI'24