受类与域不平衡制约下的联邦医学图像分类：利用合成样本生成
计算机视觉与模式识别
2026-04-30 v1
摘要
在医学成像中利用深度学习面临严格隐私约束、异构成像设备具有不同获取属性以及因病原不均而导致的类别不平衡等关键挑战.本文提出FedSSG,一个新型联邦学习框架,以解决异构成像设备引起的域迁移问题,同时缓解稀有病原的欠表示.我们的关键贡献是一种生成合成样本的策略,并在客户机之间分配这些样本以提高对底层病原和成像设备的覆盖率.实验结果表明,我们的做法显著提升了模型性能和跨异构机构的泛化能力,同时在客户机端引入最小的计算开销.
引用
@article{arxiv.2604.26324,
title = {Federated Medical Image Classification under Class and Domain Imbalance exploiting Synthetic Sample Generation},
author = {Martina Pavan and Matteo Caligiuri and Francesco Barbato and Pietro Zanuttigh},
journal= {arXiv preprint arXiv:2604.26324},
year = {2026}
}
备注
Accepted at ICPR 2026, 13 pages, 3 figures, 5 tables