FeDETR：一种用于冠状动脉造影狭窄检测的联邦学习方法
图像与视频处理
2024-09-24 v1 计算机视觉与模式识别
机器学习
摘要
评估冠状动脉造影中狭窄的严重程度对患者的健康至关重要，因为冠状动脉狭窄是心力衰竭的潜在因素。当前对冠状动脉病变进行分级的标准方法，即血流储备分数 (FFR) 或瞬时无波比值 (iFR)，存在若干缺点，包括耗时、成本高、有创性以及潜在的观察者间变异性。在此背景下，一些深度学习方法相继出现，以协助心脏病学家实现 FFR/iFR 值估计的自动化。尽管这些方法有效，但由于敏感医疗数据的分布式特性，其对大型数据集的依赖构成了挑战。联邦学习通过聚合来自多个节点的知识来提高模型泛化能力，同时保护数据隐私，从而应对了这一挑战。我们提出了首个联邦检测 Transformer 方法 FeDETR，基于 FFR/iFR 值估计来评估造影视频中的狭窄严重程度。在我们的方法中，每个节点在其本地数据集上训练一个检测 Transformer (DETR)，并由中央服务器对网络的主干部分进行联邦聚合。所提出的方法在收集自五家医院、包含 1001 次造影检查的数据集上进行了训练和评估，并将其性能与最先进的联邦学习方法进行了比较。
引用
@article{arxiv.2409.14268,
title = {FeDETR: a Federated Approach for Stenosis Detection in Coronary Angiography},
author = {Raffaele Mineo and Amelia Sorrenti and Federica Proietto Salanitri},
journal= {arXiv preprint arXiv:2409.14268},
year = {2024}
}
备注
9 pages, 9 figures, Image Analysis and Processing - ICIAP 2023 Workshops. ICIAP 2023. Lecture Notes in Computer Science, vol 14366. Springer, Cham