FedLPPA：面向联邦弱监督医学图像分割的个性化提示学习与聚合
计算机视觉与模式识别
2024-06-03 v2 图像与视频处理
摘要
联邦学习 (FL) 有效缓解了由政策和隐私问题带来的数据孤岛挑战，隐式地利用更多数据进行深度模型训练。然而，传统的集中式 FL 模型难以应对多样化的多中心数据，特别是在面对显著的数据异构性时，这在医疗背景下尤为突出。在医学图像分割领域，减少标注成本的迫切需求放大了利用稀疏标注（如点、涂鸦等）的弱监督技术的重要性。一个务实的 FL 范式应能适应不同站点间多样的标注格式，而这一研究主题尚未得到充分探讨。在此背景下，我们提出了一种带有可学习提示和聚合的新型个性化 FL 框架 (FedLPPA)，以统一利用异构弱监督进行医学图像分割。在 FedLPPA 中，维护一个可学习的通用知识提示，并辅以多个可学习的个性化数据分布提示和代表监督稀疏性的提示。这些提示通过双重注意力机制与样本特征集成，使每个本地任务解码器能够熟练地适应本地分布和监督形式。同时，引入了一种基于提示相似性的双解码器策略，以增强弱监督学习中伪标签的生成，减轻本地数据固有的过拟合和噪声积累，并采用一种自适应聚合方法来逐参数定制任务解码器。在涉及不同模态的四个不同医学图像分割任务上的大量实验证明了 FedLPPA 的优越性，其有效性可与全监督集中式训练相媲美。我们的代码和数据将公开可用。
引用
@article{arxiv.2402.17502,
title = {FedLPPA: Learning Personalized Prompt and Aggregation for Federated Weakly-supervised Medical Image Segmentation},
author = {Li Lin and Yixiang Liu and Jiewei Wu and Pujin Cheng and Zhiyuan Cai and Kenneth K. Y. Wong and Xiaoying Tang},
journal= {arXiv preprint arXiv:2402.17502},
year = {2024}
}
备注
12 pages, 10 figures