FedCL-Ensemble Learning：在保护隐私的同时通过集成迁移学习增强阿尔茨海默病 MRI 分类的联邦持续学习框架
图像与视频处理
2024-11-21 v1 人工智能
计算机视觉与模式识别
信息检索
机器学习
摘要
本研究引入了一种阿尔茨海默病分类的新方法，结合了先进的深度学习技术与安全数据处理方法。本研究主要使用 ResNet、ImageNet 和 VNet 等迁移学习模型从医学图像数据中提取高级特征。随后，对这些预训练模型进行微调以识别阿尔茨海默病相关的细微模式，使模型能够在不同数据源上进行稳健的特征提取。此外，引入联邦学习方法以应对与分类相关的其他挑战，旨在提供更好的预测性能并保护数据隐私。所提出的模型在不共享敏感患者数据的情况下使用联邦学习构建。这样，去中心化模型受益于其训练所用的大型多样化数据集，同时确保了机密性。加入了基于密码的加密机制，以保障数据传输安全，并在训练和分类过程中进一步确保患者信息的隐私和完整性。实验结果不仅提高了阿尔茨海默病分类的准确率，同时为医疗数据的安全协作分析提供了一个框架。
引用
@article{arxiv.2411.12756,
title = {FedCL-Ensemble Learning: A Framework of Federated Continual Learning with Ensemble Transfer Learning Enhanced for Alzheimer's MRI Classifications while Preserving Privacy},
author = {Rishit Kapoor and Jesher Joshua and Muralidharan Vijayarangan and Natarajan B},
journal= {arXiv preprint arXiv:2411.12756},
year = {2024}
}
备注
6 pages, 4 figures