FedCLAM：面向联邦医学图像分割的客户端自适应动量与前景强度匹配
图像与视频处理
2025-07-01 v1 人工智能
计算机视觉与模式识别
摘要
联邦学习是一种保持数据在利益相关方控制下的分布式训练方法，可实现优于孤立训练的性能。尽管跨机构特征差异在所有联邦设置中都构成挑战，但医学成像因受众众多的成像设备和人口差异的影响，尤为突出，这可能削弱全局模型的有效性。现有的聚合方法通常无法适应各种变化的情况。为此，我们提出FedCLAM，集成了来自每个客户端本地训练期间损失减少所得的客户端自适应动量项，以及用于抑制过拟合的个人化衰减因子。我们进一步引入一种新型的强度对齐损失，用于匹配预测结果与真实前景分布，以处理跨机构和设备之间的异构图像强度轮廓。广泛的评估显示，FedCLAM在医学分割任务中优于八种前沿方法，凸显了其有效性。代码已公开于https://github.com/siomvas/FedCLAM。
引用
@article{arxiv.2506.22580,
title = {FedCLAM: Client Adaptive Momentum with Foreground Intensity Matching for Federated Medical Image Segmentation},
author = {Vasilis Siomos and Jonathan Passerat-Palmbach and Giacomo Tarroni},
journal= {arXiv preprint arXiv:2506.22580},
year = {2025}
}
备注
10 pages, 2 figures, Accepted at MICCAI 2025