FedMed-GAN：面向无监督跨模态脑图像合成的联邦域翻译
计算机视觉与模式识别
2023-04-25 v3 人工智能
摘要
利用多模态神经影像数据已被证明能有效研究人类认知活动和某些病症。然而，集中获取完整的配对神经影像数据并不现实，因为采集面临诸多限制，例如检查成本高、采集时间长以及图像损坏。此外，这些数据分散于不同医疗机构，出于隐私考虑无法聚合进行集中训练。显然需要开展联邦学习并促进来自不同机构分散数据的整合。本文中，我们提出一种用于无监督脑图像合成的联邦域翻译新基准（称为 FedMed-GAN），以弥合联邦学习与医学 GAN 之间的鸿沟。FedMed-GAN 在不牺牲生成器性能的前提下缓解模式崩溃，并凭借变分自适应特性广泛适用于不同比例的未配对与配对数据。我们通过联邦平均算法处理梯度惩罚，进而利用差分隐私梯度下降来正则化训练动态。我们提供了 FedMed-GAN 与其他集中式方法的综合对比评估，结果表明我们的 FedMed-GAN 取得了新的最优性能。我们的代码已发布于网站：https://github.com/M-3LAB/FedMed-GAN
引用
@article{arxiv.2201.08953,
title = {FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis},
author = {Jinbao Wang and Guoyang Xie and Yawen Huang and Jiayi Lyu and Yefeng Zheng and Feng Zheng and Yaochu Jin},
journal= {arXiv preprint arXiv:2201.08953},
year = {2023}
}