基于 MRI 的痴呆分类的 SAM-Med3D 联邦微调
计算机视觉与模式识别
2025-10-16 v1
摘要
虽然基础模型（FMs）为 AI 基于痴呆诊断提供了强大的潜力，但其集成到联邦学习（FL）系统中仍未得到充分探索。本文进行了一个基准测试研究，系统评估了关键设计选择：分类头架构、微调策略和聚合方法，对使用脑 MRI 数据的联邦 FM 调优性能和效率的影响。通过使用大型多队列数据集，我们发现分类头的架构对性能影响显著，冻结 FM 编码器即可实现与完整微调相当的效果，先进的聚合方法优于标准的联邦平均方法。我们的结果为在分散临床环境中部署 FMs 提供了实用见解，并指出了应指导未来方法开发的权衡。
引用
@article{arxiv.2508.21458,
title = {Federated Fine-tuning of SAM-Med3D for MRI-based Dementia Classification},
author = {Kaouther Mouheb and Marawan Elbatel and Janne Papma and Geert Jan Biessels and Jurgen Claassen and Huub Middelkoop and Barbara van Munster and Wiesje van der Flier and Inez Ramakers and Stefan Klein and Esther E. Bron},
journal= {arXiv preprint arXiv:2508.21458},
year = {2025}
}
备注
Accepted at the MICCAI 2025 Workshop on Distributed, Collaborative and Federated Learning (DeCAF)