面向标签高效结肠息肉分割的联邦自监督域泛化方法
计算机视觉与模式识别
2025-02-13 v1 分布式、并行与集群计算
机器学习
摘要
在构建基于深度学习的自动化结肠息肉分割模型时，自监督学习（SSL）方法在处理未标记的结肠息肉数据集方面具有同等重要性。然而，医疗数据的隐私动态往往阻碍了不同医疗机构之间的数据共享。联邦学习（FL）作为解决这一隐私困境的强有力方案，但在FL领域，优化模型的泛化能力仍是一个迫切的挑战。鲁棒的泛化能力对于确保模型在训练后在不同地理区域的有效性至关重要。本文提出了一种名为LFDG（Labeled Federated Domain Generalization）的联邦自监督域泛化方法，以增强联邦学习下标签高效结肠息肉分割的泛化能力。基于经典的SSL方法DropPos，LFDG提出了基于对抗学习的数据增强方法（SSADA），以增强数据多样性。LFDG进一步提出了基于Source-reconstruction and Augmentation-masking（SRAM）的松弛模块，以维持特征学习的稳定性。我们在来自六个医疗机构的息肉图像上对LFDG进行了验证。我们的方法性能比基线方法提高了3.80%，比其他最新的FL方法和SSL方法提高了3.92%。
引用
@article{arxiv.2502.07951,
title = {Federated Self-supervised Domain Generalization for Label-efficient Polyp Segmentation},
author = {Xinyi Tan and Jiacheng Wang and Liansheng Wang},
journal= {arXiv preprint arXiv:2502.07951},
year = {2025}
}
备注
Accepted at ADSMI @ MICCAI 2024