面向去中心化无标签医学图像的联邦对比学习
机器学习
2021-09-17 v1 计算机视觉与模式识别
图像与视频处理
摘要
计算机视觉中一种高效的标签范式基于在无标签数据上的自监督对比预训练，然后使用少量标签进行微调。在临床领域实际利用联邦计算环境并学习医学图像带来了特定挑战。在这项工作中，我们提出 FedMoCo，一个鲁棒的联邦对比学习（FCL）框架，它高效利用去中心化的无标签医学数据。FedMoCo 有两个新颖模块：元数据迁移，一种节点间统计数据增强模块，以及自适应聚合，一种基于表示相似性分析的聚合模块。据我们所知，这是首个针对医学图像的 FCL 工作。我们的实验表明，FedMoCo 在提取下游任务有意义表示方面能持续优于开创性联邦学习框架 FedAvg。我们进一步表明，FedMoCo 能大幅减少下游任务（如 COVID-19 检测）所需的标签数据量，以达到合理性能。
引用
@article{arxiv.2109.07504,
title = {Federated Contrastive Learning for Decentralized Unlabeled Medical Images},
author = {Nanqing Dong and Irina Voiculescu},
journal= {arXiv preprint arXiv:2109.07504},
year = {2021}
}
备注
Accepted by MICCAI 2021