FedDis：用于无监督脑病理分割的解耦联邦学习
图像与视频处理
2021-03-08 v1 计算机视觉与模式识别
机器学习
摘要
近年来，数据驱动的机器学习 (ML) 方法通过为许多未解决的（医学）图像分析问题提供新颖高效方案，彻底改变了计算机视觉领域。然而，由于隐私担忧加剧以及数据在多个不同站点上的碎片化，现有医学数据未被充分利用，从而限制了 ML 的潜力。联邦学习 (FL) 使多方能够在不交换本地数据的情况下协作训练 ML 模型。但是，分布式客户端间的数据异构性（非独立同分布）仍是一项挑战。为此，我们提出了一种新颖的联邦方法，称为联邦解耦 (FedDis)，将参数空间解耦为形状和外观，并仅与客户端共享形状参数。FedDis 基于如下假设：脑 MRI 图像中的解剖结构在多个机构间相似，共享形状知识有利于异常检测。本文中，我们以隐私保护方式利用来自多个站点的 623 名受试者的健康脑扫描真实数据（OASIS、ADNI）来学习正常解剖模型，从而能够分割异常结构。我们在包含 109 名受试者的真实病理数据库上展示了 FedDis 的优越性能；包括两个公开可用的 MS 病变数据库（MSLUB、MSISBI）以及一个包含 MS 和胶质母细胞瘤的院内数据库（MSI 和 GBI）。FedDis 取得了 0.38 的平均 dice 性能，优于 state-of-the-art (SOTA) 自编码器 42%，优于 SOTA 联邦方法 11%。此外，我们说明 FedDis 学习到的形状嵌入与外观正交，且在不同强度增强下保持一致。
引用
@article{arxiv.2103.03705,
title = {FedDis: Disentangled Federated Learning for Unsupervised Brain Pathology Segmentation},
author = {Cosmin I. Bercea and Benedikt Wiestler and Daniel Rueckert and Shadi Albarqouni},
journal= {arXiv preprint arXiv:2103.03705},
year = {2021}
}