FedFTN：基于深度特征变换网络的多机构低剂量PET去噪个性化联邦学习
图像与视频处理
2023-10-09 v3 计算机视觉与模式识别
机器学习
摘要
低剂量PET是一种降低辐射暴露和采集时间的有效方法，但重建图像常受低信噪比（SNR）影响，从而妨碍诊断及其他下游任务。深度学习的最新进展在改善低剂量PET图像质量方面展现出巨大潜力，但由于患者数据的隐私和安全问题，从多机构获取大规模、集中且多样化的数据集来训练鲁棒模型十分困难。此外，不同机构的低剂量PET数据可能具有不同的数据分布，因此需要个性化模型。尽管先前的联邦学习（FL）算法支持多机构协作训练而无需聚合本地数据，但在多机构低剂量PET去噪应用中应对较大域偏移仍具挑战且鲜有探索。本工作中，我们提出FedFTN，一种应对上述挑战的个性化联邦学习策略。FedFTN使用本地深度特征变换网络（FTN）来调节全局共享去噪网络的特征输出，实现各机构的个性化低剂量PET去噪。在联邦学习过程中，仅通信并聚合去噪网络的权重，而FTN保留在本地机构用于特征变换。我们使用来自三大洲三个医疗中心的多机构低剂量PET成像大规模数据集评估了该方法，结果表明FedFTN可提供高质量低剂量PET图像，在所有三个机构的所有低剂量水平上均优于先前的基线FL重建方法。
引用
@article{arxiv.2304.00570,
title = {FedFTN: Personalized Federated Learning with Deep Feature Transformation Network for Multi-institutional Low-count PET Denoising},
author = {Bo Zhou and Huidong Xie and Qiong Liu and Xiongchao Chen and Xueqi Guo and Zhicheng Feng and Jun Hou and S. Kevin Zhou and Biao Li and Axel Rominger and Kuangyu Shi and James S. Duncan and Chi Liu},
journal= {arXiv preprint arXiv:2304.00570},
year = {2023}
}
备注
13 pages, 6 figures, Accepted at Medical Image Analysis Journal (MedIA)