FedEFM：面向未见数据的端血管基础模型

在内血手术中，精确识别 X 射线图像中的导管和导线对于降低干预风险至关重要。然而，由于标注数据的稀缺，准确分割导管和导线结构具有挑战性。基础模型通过收集相似领域的数据来训练，其权重可针对下游任务进行微调，为此提供了可行方案。然而，大规模数据收集受限于需维护患者隐私。本文提出一种新方法，在去中心化的联邦学习环境中训练内血介入的基础模型。为确保训练可行性，我们在知识蒸馏框架内使用可微 Earth Mover's Distance 方法来解决未见数据问题。训练完成后，基础模型的权重为下游任务提供有价值的初始化，从而增强任务特定的性能。大量实验表明，我们的方法实现了新的状态争霸，推动了内血介入和机器人辅助内血手术的发展，同时解决了医疗领域数据共享的关键问题。