FedHarmony：利用分布式数据消除扫描仪偏倚
机器学习
2022-06-01 v1 密码学与安全
计算机视觉与模式识别
摘要
跨扫描仪和研究整合数据对于神经影像至关重要，可提高统计效力并增强生物变异的代表性。然而，跨站点整合数据集带来两个挑战：首先，由于扫描仪和采集差异导致不良的非生物方差增加——即协调问题；其次，由于医学影像数据固有的个人属性引发的数据隐私问题，意味着跨站点共享可能违反隐私法规。为克服这些限制，我们提出 FedHarmony：一种在联邦学习范式下运行的协调框架。我们表明，为消除扫描仪特定效应，仅需共享所学特征的均值和标准差，从而有助于保护个体受试者的隐私。我们使用来自 ABIDE 数据集的真实多站点数据，在一系列现实数据场景下展示了我们的方法，从而显示了我们的方法用于跨研究 MRI 协调的潜在效用。我们的代码可在 https://github.com/nkdinsdale/FedHarmony 获取。
引用
@article{arxiv.2205.15970,
title = {FedHarmony: Unlearning Scanner Bias with Distributed Data},
author = {Nicola K Dinsdale and Mark Jenkinson and Ana IL Namburete},
journal= {arXiv preprint arXiv:2205.15970},
year = {2022}
}
备注
Accepted to MICCAI 2022, Code available at: https://github.com/nkdinsdale/FedHarmony