基于增强驱动的跨模态医学图像分割的联邦学习
计算机视觉与模式识别
2026-02-25 v1
摘要
人工智能已成为医学图像分析中的变革性工具，但由于数据碎片化且受隐私限制在不同机构中封闭，开发鲁棒且可泛化的分割模型仍然具有挑战性。虽然联邦学习（FL）通过在不集中数据的情况下实现协作模型训练，但跨模态域迁移仍是关键挑战，尤其是当模型在一种模态上训练后难以泛化到另一种模态时。许多现有解决方案需要每个患者的配对多模态数据，或依赖复杂的网络结构，这两种做法在实际临床环境中都不切实际。在本工作中，我们考虑一种现实的FL场景，即每个客户仅持有单一模态数据（CT或MRI），并系统性地研究增强策略以实现跨模态泛化。以腹部器官分割和全心脏分割为代表的多类别和二分类分割基准，评估了基于卷积的空间增强、频域操作、领域特定归一化和全局强度非线性（GIN）增强。我们的结果表明，GIN在集中式和联邦设置下均一致优于其他选项，通过模拟跨模态外观变化而保持解剖结构。对于胰腺，Dice系数从0.073提升至0.437，提升了498%。我们的联邦方法实现了93-98%的集中训练准确率，表明在不牺牲数据隐私的情况下实现了强大的跨模态泛化，指向跨多样化医疗系统可行的联邦AI部署。
引用
@article{arxiv.2602.20773,
title = {Federated Learning for Cross-Modality Medical Image Segmentation via Augmentation-Driven Generalization},
author = {Sachin Dudda Nagaraju and Ashkan Moradi and Bendik Skarre Abrahamsen and Mattijs Elschot},
journal= {arXiv preprint arXiv:2602.20773},
year = {2026}
}
备注
Submitted to IEEE JBHI