联邦交替训练（FAT）：在医学影像联邦分割中利用无标注数据孤岛
计算机视觉与模式识别
2023-04-20 v1 机器学习
定量方法
摘要
联邦学习（FL）旨在以分布式方式训练机器学习（ML）模型，以加强数据隐私并限制数据迁移成本。它是一个自然适用于隐私敏感型医学影像数据集的分布式学习框架。然而，当前大多数基于 FL 的医学影像工作都假设数据孤岛拥有用于训练的 ground truth 标签。在实践中，医学领域的标签获取具有挑战性，因为它往往需要大量的劳动与时间成本。为应对这一挑战并利用无标注数据孤岛来改进建模，我们提出了一种基于交替训练的框架——联邦交替训练（FAT），它在有标注数据孤岛与无标注数据孤岛之间交替训练。有标注数据孤岛利用标注学习一个合理的全局分割模型。同时，无标注数据孤岛使用该全局分割模型作为目标模型来生成伪标签以进行自监督学习。我们在两个自然划分的联邦数据集 KiTS19 和 FeTS2021 上评估了所提框架的性能，并展示了其良好的表现。
引用
@article{arxiv.2304.09327,
title = {Federated Alternate Training (FAT): Leveraging Unannotated Data Silos in Federated Segmentation for Medical Imaging},
author = {Erum Mushtaq and Yavuz Faruk Bakman and Jie Ding and Salman Avestimehr},
journal= {arXiv preprint arXiv:2304.09327},
year = {2023}
}
备注
Camera Ready Version of ISBI2023 Accepted work