用于隐私保护医学图像分割的联邦 nnU-Net
计算机视觉与模式识别
2025-08-29 v2 人工智能
摘要
nnU-Net 框架在医学图像分割中发挥了关键作用，并已成为针对不同疾病、器官和模态的众多应用的金标准。然而，迄今为止它主要用于集中式方法，即收集的数据存储在训练 nnU-Net 的同一位置。这种集中式方法存在诸多局限性，例如敏感患者信息的潜在泄露和患者隐私的侵犯。联邦学习已成为以去中心化方式训练分割模型的关键方法，能够在优先保护患者隐私的同时实现协同开发。在本文中，我们提出了 FednnU-Net，一个即插即用的 nnU-Net 框架联邦学习扩展。为此，我们贡献了两种联邦方法以解锁 nnU-Net 的去中心化训练，即联邦指纹提取（FFE）与非对称联邦平均。我们进行了一系列全面实验，基于代表 18 个不同机构样本的 6 个多模态数据集，证明了我们的方法在乳腺、心脏和胎儿分割中具有高且一致的性能。为了推动去中心化训练在临床中心的科研普及与实际部署，我们在 https://github.com/faildeny/FednnUNet 公开分享了我们的框架。
引用
@article{arxiv.2503.02549,
title = {Federated nnU-Net for Privacy-Preserving Medical Image Segmentation},
author = {Grzegorz Skorupko and Fotios Avgoustidis and Carlos Martín-Isla and Lidia Garrucho and Dimitri A. Kessler and Esmeralda Ruiz Pujadas and Oliver Díaz and Maciej Bobowicz and Katarzyna Gwoździewicz and Xavier Bargalló and Paulius Jaruševičius and Richard Osuala and Kaisar Kushibar and Karim Lekadir},
journal= {arXiv preprint arXiv:2503.02549},
year = {2025}
}
备注
In review