面向医学图像分割的联邦客户定制适配器
计算机视觉与模式识别
2025-04-28 v1
摘要
X 射线图像的医学图像分割有助于计算机辅助诊断和病灶定位。现有方法主要采用集中式学习范式，而在实际医疗场景中仅能获取分布式数据岛，此方式不可行。联邦学习有潜力提供分布式解决方案，但因客户间的域异构性（包括分布多样性和类别不平衡）导致训练高度不稳定。本文提出了 novel 的 Federated Client-tailored Adapter (FCA) 框架，用于医学图像分割，实现稳定且面向客户定制的自适应分割，无需共享敏感的本地数据。具体而言，联邦适配器利用现成的医学基础模型中的通用知识来稳定联邦训练过程。此外，我们开发了两种客户定制的联邦更新策略，自适应地将适配器分解为公共和个体组件，然后分别对与公共客户不变单元相关的参数组和与个人客户特定单元相关的参数组进行全局和独立更新。这进一步稳定了异构的联邦学习过程，实现最佳的客户定制而非次优的全局妥协分割模型。在三个大型数据集上的广泛实验表明，所提出的 FCA 框架在联邦医学分割方面具有有效性和优越性。
引用
@article{arxiv.2504.18020,
title = {Federated Client-tailored Adapter for Medical Image Segmentation},
author = {Guyue Hu and Siyuan Song and Yukun Kang and Zhu Yin and Gangming Zhao and Chenglong Li and Jin Tang},
journal= {arXiv preprint arXiv:2504.18020},
year = {2025}
}