FedGIN：面向多模态图像的基于动态全局强度非线性增强的组织分割联邦学习
计算机视觉与模式识别
2026-02-25 v1 人工智能
摘要
医学图像分割是AI辅助诊断、手术规划和治疗监测的关键环节。准确且稳健的分割模型对于实现跨不同成像模态可靠的数据驱动临床决策至关重要。鉴于不同模态图像特征的内在差异，开发一种能够有效泛化至多种模态的统一模型将极具价值，该模型可优化临床工作流程，减少针对特定模态的训练需求。然而，实际部署面临数据稀缺、模态间领域迁移（如CT与MRI之间）以及隐私限制导致无法共享数据等重大挑战。为此，我们提出FedGIN框架，采用联邦学习技术实现多模态组织分割，无需共享原始患者数据。该方法集成轻量级全局强度非线性增强模块，在本地训练过程中实现模态特异性强度分布的协调。我们使用两种数据集进行评估：插值数据集和完整数据集。在数据有限的情况下，模型首先仅使用MRI数据训练，随后引入CT数据以评估性能提升。在完整数据集场景下，充分利用MRI和CT数据在所有客户端进行训练。在数据有限场景中，FedGIN在MRI测试案例上的3D Dice得分相较于无GIN的联邦学习方法提升了12%至18%，持续优于本地基线。在完整数据集场景下，FedGIN实现了接近集中式性能，相较于MRI单模态基线提升30%的Dice得分，相较于CT单模态基线提升10%，凸显其在隐私约束下的强大跨模态泛化能力。
引用
@article{arxiv.2508.05137,
title = {FedGIN: Federated Learning with Dynamic Global Intensity Non-linear Augmentation for Organ Segmentation using Multi-modal Images},
author = {Sachin Dudda Nagaraju and Ashkan Moradi and Bendik Skarre Abrahamsen and Mattijs Elschot},
journal= {arXiv preprint arXiv:2508.05137},
year = {2026}
}
备注
Paper Accepted at MICCAI 2025 DeCaf Workshop Track