基于多国数据（中国、意大利、日本）的联邦半监督学习用于胸部CT中COVID区域分割
图像与视频处理
2020-11-25 v1 计算机视觉与模式识别
摘要
近期COVID-19的爆发导致对SARS-CoV-2感染的可靠诊断与管理的迫切需求。作为补充工具，胸部CT已被证明能够揭示COVID-19的特征性视觉模式，这在疾病进程的数个阶段具有明确价值。为促进CT分析，近期工作聚焦于计算机辅助表征与诊断，并展现出有前景的结果。然而，跨临床数据中心的数据域偏移在部署基于学习的模型时构成严峻挑战。本工作中，我们试图通过联邦与半监督学习为该挑战寻找解决方案。采用包含来自三国的1704次扫描的多国数据库，研究用一个数据集训练模型并应用于另一数据集时的性能差距。专家放射科医生为945次扫描手动勾画了COVID-19征象。为处理数据与标注中的变异性，提出一种新颖的联邦半监督学习技术，以充分利用所有可用数据（无论有无标注）。联邦学习避免了对敏感数据共享的需求，这使其对具有严格数据隐私监管政策的机构和国家有利。此外，半监督在分布式环境下潜在地减轻了标注负担。所提框架被证明相对于采用常规数据共享而非模型权重共享的全监督场景是有效的。
引用
@article{arxiv.2011.11750,
title = {Federated Semi-Supervised Learning for COVID Region Segmentation in Chest CT using Multi-National Data from China, Italy, Japan},
author = {Dong Yang and Ziyue Xu and Wenqi Li and Andriy Myronenko and Holger R. Roth and Stephanie Harmon and Sheng Xu and Baris Turkbey and Evrim Turkbey and Xiaosong Wang and Wentao Zhu and Gianpaolo Carrafiello and Francesca Patella and Maurizio Cariati and Hirofumi Obinata and Hitoshi Mori and Kaku Tamura and Peng An and Bradford J. Wood and Daguang Xu},
journal= {arXiv preprint arXiv:2011.11750},
year = {2020}
}
备注
Accepted with minor revision to Medical Image Analysis