面向可信计算机辅助诊断的医学图像分类联邦蒸馏
计算机视觉与模式识别
2024-07-04 v2
摘要
医学图像分类在计算机辅助临床诊断中发挥着关键作用。尽管深度学习技术显著提升了效率并降低了成本，但医学影像数据隐私敏感的特性使其难以进行集中存储和模型训练。此外，低资源医疗组织由于数据和模型规模的增加，面临通信开销和效率挑战。本文提出一种基于联邦学习的新型隐私保护医学图像分类框架，称为FedMIC。该框架使医疗机构能够从全局和局部知识中进行学习，尽管存在统计异质性，仍能增强私有数据的局部表示。它为数据分布多样的组织提供定制模型，同时最小化通信开销并提高效率，而不损害性能。我们的FedMIC在资源受限条件下增强了鲁棒性和实际适用性。我们使用四个公开医学图像数据集演示了FedMIC在经典医学图像分类任务中的有效性。
引用
@article{arxiv.2407.02261,
title = {Federated Distillation for Medical Image Classification: Towards Trustworthy Computer-Aided Diagnosis},
author = {Sufen Ren and Yule Hu and Shengchao Chen and Guanjun Wang},
journal= {arXiv preprint arXiv:2407.02261},
year = {2024}
}
备注
Work in progress. This paper is the first to introduce intra-client knowledge distillation in the context of trustworthy medical image classification. arXiv admin note: text overlap with arXiv:2401.01493