FedNorm：联邦学习中用于多模态肝脏分割的基于模态的归一化
图像与视频处理
2022-05-24 v1 计算机视觉与模式识别
机器学习
摘要
鉴于肝脏疾病的高发病率和有效的治疗选择，其具有重大社会经济意义。分析和诊断及随访治疗中 CT 与 MRI 图像最常见的方法之一是肝脏分割。深度学习的近期进展在自动肝脏分割上展现出令人鼓舞的结果。尽管如此，其成功主要依赖于标注数据库的可用性，而出于隐私考虑往往无法获取。联邦学习近期被提出作为一种解决方案，通过在分布式客户端上训练共享全局模型而无需访问其本地数据库来缓解这些挑战。然而，当训练数据因多模态成像（如 CT 和 MRI）及多种扫描仪类型导致图像数据高度异质时，联邦学习表现不佳。为此，我们提出 FedNorm 及其扩展 \fednormp，两种采用基于模态归一化技术的联邦学习算法。具体而言，FedNorm 在客户端层级对特征进行归一化，而 FedNorm+ 在特征归一化中利用单切片模态信息。我们的方法使用来自六个公开数据库的 428 名患者进行了验证，并在异质设定（多机构、多模态数据）下与最先进联邦学习算法和基线模型比较。实验结果表明，我们的方法展现出总体可接受的性能，达到每患者 Dice 分数最高 0.961，一致优于本地训练模型，并与集中式模型相当或略优。
引用
@article{arxiv.2205.11096,
title = {FedNorm: Modality-Based Normalization in Federated Learning for Multi-Modal Liver Segmentation},
author = {Tobias Bernecker and Annette Peters and Christopher L. Schlett and Fabian Bamberg and Fabian Theis and Daniel Rueckert and Jakob Weiß and Shadi Albarqouni},
journal= {arXiv preprint arXiv:2205.11096},
year = {2022}
}
备注
Under Review