基于个性化神经架构的 MRI 前列腺整体分割联邦学习
图像与视频处理
2021-07-20 v1 计算机视觉与模式识别
摘要
构建鲁棒的基于深度学习的模型需要多样化的训练数据，理想情况下应来自多个来源。然而，由于患者隐私顾虑或监管障碍，尤其是涉及医学数据时，这些数据集难以合并。联邦学习（FL）是一种无需集中式数据集即可训练机器学习模型的方法。每个 FL 客户端在其本地数据上训练，同时仅与聚合所有客户端参数的全局服务器共享模型参数。同时，由于患者群体、成像设备和采集协议的局部差异，每个客户端的数据可能表现出差异与不一致。因此，联邦学习的模型应能适应客户端数据的局部特性。本工作中，我们将 FL 与基于本地神经架构搜索的 AutoML 技术结合，通过训练一个“超网”（supernet）。此外，我们提出一种适配方案，以允许每个 FL 客户端站点拥有个性化模型架构。所提方法在来自 3D 前列腺 MRI 的四个不同数据集上评估，并通过在 AutoML 超网中选择最优路径，显示出适配后本地模型性能的提升。
引用
@article{arxiv.2107.08111,
title = {Federated Whole Prostate Segmentation in MRI with Personalized Neural Architectures},
author = {Holger R. Roth and Dong Yang and Wenqi Li and Andriy Myronenko and Wentao Zhu and Ziyue Xu and Xiaosong Wang and Daguang Xu},
journal= {arXiv preprint arXiv:2107.08111},
year = {2021}
}
备注
MICCAI 2021 accepted