面向跨模态和跨成像技术分割的联邦自监督学习
计算机视觉与模式识别
2025-04-01 v1 机器学习
图像与视频处理
医学物理
摘要
去中心化的联邦学习使可以从多个来源学习数据表示，而不损害客户的隐私。在医学图像分割等应用中，获取来自单一来源的大型标注数据集是一个令人沮丧的问题，联邦自监督学习可提供一些慰藉。在本工作中，我们进一步拓展，探索一种代表更稀缺数据情景的联邦自监督单次分割任务。我们采用现有的自监督few-shot分割框架 CoWPro，并将其适应联邦学习场景。鉴于我们所知，这是首次尝试在联邦学习领域进行自监督few-shot分割任务。此外，我们考虑客户由来自不同模态和成像技术（如 MR 或 CT）的数据构成，这使得问题更加困难。我们通过引入融合 dice 损失来加强和改进基本的 CoWPro 方法，显示出显著的性能提升。最后，我们在完全未见的本地客户数据集的保留部分上评估了这个新框架。我们观察到，所提出的框架在保留验证数据集上能够实现与 FedAvg 版本的 CoWPro 框架持平或更好的性能。
关键词
引用
@article{arxiv.2503.23507,
title = {Federated Self-Supervised Learning for One-Shot Cross-Modal and Cross-Imaging Technique Segmentation},
author = {Siladittya Manna and Suresh Das and Sayantari Ghosh and Saumik Bhattacharya},
journal= {arXiv preprint arXiv:2503.23507},
year = {2025}
}