通过合成超声图像增强的联邦乳腺癌检测
图像与视频处理
2026-04-17 v3 人工智能
计算机视觉与模式识别
摘要
联邦学习使跨机构深度学习模型的训练能够在不共享敏感患者数据的情况下进行。然而，其性能常受小数据集和非独立同分布数据的限制，这可能损害模型的泛化能力。本文提出一种基于生成模型的数据增强框架，用于乳腺超声图像分类。它利用深度卷积生成对抗网络生成的合成图像以及类条件去噪扩散概率模型。在三个公开数据集（BUSI、BUS-BRA 和 UDIAT）上的实验表明，纳入合适数量的合成图像后，FedAvg 的平均 AUC 从 0.9206 提升至 0.9362，FedProx 的平均 AUC 从 0.9429 提升至 0.9574。此外，我们注意到过度使用合成数据会降低性能。这突显了在真实样本和合成样本之间保持平衡的重要性。我们的结果凸显了基于生成模型的增强在提升联邦乳腺超声图像分类方面的潜力。
引用
@article{arxiv.2506.23334,
title = {Federated Breast Cancer Detection Enhanced by Synthetic Ultrasound Image Augmentation},
author = {Hongyi Pan and Ziliang Hong and Gorkem Durak and Ziyue Xu and Ulas Bagci},
journal= {arXiv preprint arXiv:2506.23334},
year = {2026}
}
备注
This paper has been accepted to EMBC2026