FedDP: 基于联邦学习的病理组织图像分割隐私保护方法
计算机视觉与模式识别
2024-11-08 v1 人工智能
摘要
H&E 染色的全切片图像（WSIs）被病理学家和医学从业者视为肿瘤诊断、手术规划和术后评估的金标准。随着深度学习技术的快速发展，基于卷积神经网络和基于 Transformer 的模型已被应用于 WSIs 的精确分割。然而，由于隐私法规和保护患者保密性的需要，集中存储和处理图像数据是不切实际的。在这些隐私顾虑下，直接训练集中式模型在医学环境中难以实施。本文通过采用联邦学习框架，解决了医学图像数据的分散性和隐私敏感性问题，使医疗机构能够在保护患者隐私的同时协同学习。此外，为了解决联邦学习训练过程中通过梯度反转重建原始数据的问题，差分隐私在模型更新中引入噪声，防止攻击者推断单个样本的贡献，从而保护训练数据的隐私。实验结果表明，所提出的 FedDP 方法在最小影响模型精度的同时，有效保障了癌症病理图像数据的隐私，Dice、Jaccard 和 Acc 指标仅分别下降 0.55%、0.63% 和 0.42%。该方法促进了跨机构协作和知识共享，同时保护敏感数据隐私，为医学领域的进一步研究和应用提供了可行的解决方案。
引用
@article{arxiv.2411.04509,
title = {FedDP: Privacy-preserving method based on federated learning for histopathology image segmentation},
author = {Liangrui Pan and Mao Huang and Lian Wang and Pinle Qin and Shaoliang Peng},
journal= {arXiv preprint arXiv:2411.04509},
year = {2024}
}
备注
Accepted in BIBM2024