基于客户端间关系匹配的联邦半监督医学图像分类
计算机视觉与模式识别
2021-06-17 v1
摘要
联邦学习(FL)日益流行,用于协作分布式医疗机构训练深度网络。然而,尽管现有 FL 算法仅允许监督训练设定,现实中多数医院通常因缺乏预算或专业知识而无法负担复杂的数据标注。本文研究一个实用却具挑战性的 FL 问题,称为\textit{联邦半监督学习}(FSSL),旨在利用来自有标注与无标注客户端(即医院)的数据共同学习联邦模型。我们为该问题提出一种新方法,通过一种新的客户端间关系匹配方案改进传统一致性正则化机制。所提学习方案通过对齐有标注与无标注客户端提取的疾病关系,显式连接跨客户端的学习,从而缓解无标注客户端任务知识的匮乏,并提升无标注样本中的判别信息。我们在两个大规模医学图像分类数据集上验证方法。经与 SOTA 方法的明显改进以及两项任务上的详尽消融分析,本方法的有效性得以证实\footnote{代码将发布于 \url{https://github.com/liuquande/FedIRM}}。
引用
@article{arxiv.2106.08600,
title = {Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching},
author = {Quande Liu and Hongzheng Yang and Qi Dou and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2106.08600},
year = {2021}
}
备注
Accepted to MICCAI 2021