联邦脑肿瘤分割：广泛基准测试
计算机视觉与模式识别
2024-10-24 v1 人工智能
机器学习
图像与视频处理
摘要
最近，由于其能够聚合多中心数据并保留隐私的特性，联邦学习在医学图像分析领域受到日益关注。已发布大量联邦训练方案，这些方案可归类为全局（一个最终模型）、个人化（每个机构一个模型）或混合（每个机构簇一个模型）方法。然而，这些方法尚未在最近发布的联邦脑肿瘤分割 2022 数据集上进行探索。我们在此任务上对来自三类方法的联邦学习算法进行了广泛基准测试。虽然标准FedAvg 已表现出色，但我们展示了每类方法中的某些方法可带来轻微的性能提升，并潜在地限制最终模型(s)偏向联邦中占主导地位的数据分布。此外，我们通过另外两种方式分配整合后数据集 among 机构来更深入地理解联邦学习在此任务中的行为，即独立同分布（IID）设置和有限数据设置。
引用
@article{arxiv.2410.17265,
title = {Federated brain tumor segmentation: an extensive benchmark},
author = {Matthis Manthe and Stefan Duffner and Carole Lartizien},
journal= {arXiv preprint arXiv:2410.17265},
year = {2024}
}