FedFMS：探索用于医学图像分割的联邦基础模型

医学图像分割对于临床诊断至关重要。Segment Anything Model (SAM) 作为一个强大的视觉分割基础模型，可适配用于医学图像分割。然而，医学成像数据通常包含隐私敏感信息，使得利用集中式存储和共享来训练基础模型变得具有挑战性。迄今为止，很少有专为联邦学习框架内的医学图像部署而设计的基础模型，且其分割性能以及通信和训练效率仍有待探索。针对这些问题，我们开发了用于医学图像分割的联邦基础模型（FedFMS），其中包括联邦 SAM（FedSAM）以及一种具有医学 SAM 适配器的高效通信与训练联邦 SAM（FedMSA）。我们在多样化数据集上进行了综合实验，以调查 FedFMS 在各种配置下集中式训练与联邦学习之间的性能差异。实验表明，FedFMS 在保持隐私的同时，能够实现与集中式训练方法训练的模型相当的性能。此外，FedMSA 展示了提升通信和训练效率的潜力。我们的模型实现代码可在 https://github.com/LIU-YUXI/FedFMS 获取。