用于医学图像分割的联邦交叉学习
摘要
联邦学习（FL）可利用不同医院拥有的隔离患者数据协作训练深度学习模型，用于包括医学图像分割在内的多种临床应用。然而，FL 的一个主要问题是在处理非独立同分布（non-iid）数据时性能下降，而医学图像往往正是这种情况。在本文中，我们首先对 FL 算法进行理论分析，以揭示在非 iid 数据上训练期间的模型聚合问题。借助分析获得的见解，我们提出一种简单而有效的方法——联邦交叉学习（FedCross），以应对这一挑战性问题。与在传统 FL 方法中于服务器节点上组合多个单独训练的局部模型不同，我们的 FedCross 以轮询方式在不同客户端上顺序训练全局模型，因此整个训练过程不涉及任何模型聚合步骤。为了进一步提升其性能以与集中式学习方法相当，我们将 FedCross 与集成学习机制结合，构成联邦交叉集成学习（FedCrossEns）方法。最后，我们使用一组公共数据集进行了大量实验。实验结果表明，所提出的 FedCross 训练策略在非 iid 数据上优于主流 FL 方法。除提升分割性能外，我们的 FedCrossEns 还能进一步提供模型不确定性的定量估计，证明了我们设计的有效性和临床意义。源代码公开于 https://github.com/DIAL-RPI/FedCross。
引用
@article{arxiv.2204.02450,
title = {Federated Cross Learning for Medical Image Segmentation},
author = {Xuanang Xu and Hannah H. Deng and Tianyi Chen and Tianshu Kuang and Joshua C. Barber and Daeseung Kim and Jaime Gateno and James J. Xia and Pingkun Yan},
journal= {arXiv preprint arXiv:2204.02450},
year = {2023}
}
备注
v1: 10 pages, 4 figures; v2: 12 pages, 5 figures, accepted by Medical Imaging with Deep Learning (MIDL) 2023 conference, camera-ready version available at https://openreview.net/forum?id=DrZbwobH_zo , source code available at https://github.com/DIAL-RPI/FedCross