基于 Barlow Continuity 的联邦-持续动态组织化学切片分割
机器学习
2025-01-09 v1 人工智能
摘要
联邦学习和持续学习已被证明是一种方法，可在不断变化的数据上实现隐私友好的学习，以满足在组织化学切片图像中部署 AI 系统的需求。然而，数据漂移可能在动态世界中发生，由于数据随时间变化，导致在不同机构之间和随时间的空间和时间漂移。由此导致两个问题：客户端漂移，即中心模型因聚合来自训练于漂移数据的数据的客户端而退化；以及灾难性遗忘，由于随时间变化导致的患者人群变化。两者都可能降低以前看到的数据或分布式训练的模型性能。尽管这两个问题都源于数据漂移，但现有研究仅针对性地解决其中一个问题。本文提出一种方法，能够联合缓解客户端漂移和灾难性遗忘，通过我们提出的动态 Barlow Continuity 方法，对客户更新在公共参考数据集上进行评估，并利用此来指导训练过程以实现对空间和时间漂移不变的模型。我们在组织化学数据集 BCSS 和 Semicol 上进行评估，并证明我们的方法通过在客户端漂移中将 Dice 评分从 15.8% 提升至 71.6%，在灾难性遗忘中从 42.5% 提升至 62.8%，从而实现了动态学习，确立了空间-时间漂移不变性。
引用
@article{arxiv.2501.04588,
title = {Federated-Continual Dynamic Segmentation of Histopathology guided by Barlow Continuity},
author = {Niklas Babendererde and Haozhe Zhu and Moritz Fuchs and Jonathan Stieber and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2501.04588},
year = {2025}
}