FedOnco-Bench: 基于合成CT数据的隐私感知联邦肿瘤分割可复现基准测试
计算机视觉与模式识别
2025-11-04 v1 人工智能
摘要
联邦学习（FL）允许多个机构在保留敏感数据于源端的同时协同训练机器学习模型，在隐私敏感环境中具有重要价值。然而，FL系统仍然容易受到成员推理攻击和数据异质性的影响。本文提出了FedOnco-Bench，一个基于合成肿瘤学CT扫描及肿瘤标注的隐私感知FL可复现基准测试。它在FedAvg、FedProx、FedBN以及带DP-SGD的FedAvg等FL方法上评估了分割性能与隐私泄露程度。结果表明隐私与效用之间存在显著的权衡：FedAvg具有较高的性能（Dice约0.85）但隐私泄露更多（攻击AUC约0.72），而DP-SGD以精度为代价（Dice约0.79）提供了更高水平的隐私（AUC约0.25）。FedProx和FedBN在数据异质性条件下提供了均衡的性能，特别是在非独立同分布的客户端数据场景下。FedOnco-Bench为医学图像分割中隐私保护FL方法的基准测试与开发提供了一个标准化的开源平台。
引用
@article{arxiv.2511.00795,
title = {FedOnco-Bench: A Reproducible Benchmark for Privacy-Aware Federated Tumor Segmentation with Synthetic CT Data},
author = {Viswa Chaitanya Marella and Suhasnadh Reddy Veluru and Sai Teja Erukude},
journal= {arXiv preprint arXiv:2511.00795},
year = {2025}
}
备注
Published in IEEE