面向多中心影像诊断的联邦学习：心血管疾病中的应用研究
图像与视频处理
2022-03-04 v1 人工智能
机器学习
摘要
深度学习模型可实现准确高效的疾病诊断，但迄今受限于医疗领域的数据稀缺。自动化诊断研究受限于统计效力不足的单中心数据集，尽管部分结果展现出前景，但由于未考虑机构间的数据异质性，其对其他机构的泛化能力仍存疑。联邦学习通过以分布式方式训练模型并保护患者隐私，有望缓解这些问题，从而支持严谨的多中心研究。我们提出了首个基于心血管磁共振（CMR）模态的联邦学习研究，使用源自 M&M 与 ACDC 数据集子集的四个中心，聚焦于肥厚型心肌病（HCM）的诊断。我们调整了一个在动作识别上预训练的 3D-CNN 网络，探索了两种将形状先验信息融入模型的方法，以及四种数据增强设置，系统分析了它们对不同协同学习选择的影响。我们表明，尽管数据规模较小（来自四个中心的 180 名受试者），保护隐私的联邦学习取得了与传统集中式学习相竞争的 promising 结果。我们进一步发现，联邦训练的模型表现出更强的鲁棒性，并对域偏移效应更为敏感。
引用
@article{arxiv.2107.03901,
title = {Federated Learning for Multi-Center Imaging Diagnostics: A Study in Cardiovascular Disease},
author = {Akis Linardos and Kaisar Kushibar and Sean Walsh and Polyxeni Gkontra and Karim Lekadir},
journal= {arXiv preprint arXiv:2107.03901},
year = {2022}
}
备注
Code used in this study can be found in: https://github.com/Linardos/federated-HCM-diagnosis