FedSemiDG：域泛化联邦半监督医学图像分割
计算机视觉与模式识别
2025-08-06 v2
摘要
医学图像分割由于医学图像的多样性和标记数据的缺乏而具有挑战性，这推动了最近在联邦半监督学习（FSSL）方面的发展，以利用来自多个中心的大量未标记数据进行模型训练，而无需共享原始数据。然而，在FSSL中尚未充分探索的是域偏移问题，这可能导致次优的模型聚合和未标记数据利用的低效性，最终导致在未见域上性能不理想。在本文中，我们探索了这种先前被忽略的场景，即域泛化联邦半监督学习（FedSemiDG），其目标是以分布式方式从多个域学习模型，使用有限的标记数据和丰富的未标记数据，使得模型能够很好地泛化到未见域。我们提出了一个新颖的框架，联邦泛化感知半监督学习（FGASL），通过有效解决全局和局部层面的关键问题来应对FedSemiDG中的挑战。在全局层面，我们引入了泛化感知聚合（GAA），根据局部模型的泛化性能为其分配自适应权重。在局部层面，我们使用双教师自适应伪标签精炼（DR）策略来结合全局和领域特定知识，生成更可靠的伪标签。此外，扰动不变对齐（PIA）在扰动下强制特征一致性，促进域不变学习。在四个医学分割任务（心脏MRI、脊柱MRI、膀胱癌MRI和结直肠息肉）上的大量实验表明，我们的方法显著优于最先进的FSSL和域泛化方法，在未见域上实现了鲁棒的泛化。
引用
@article{arxiv.2501.07378,
title = {FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation},
author = {Zhipeng Deng and Zhe Xu and Tsuyoshi Isshiki and Yefeng Zheng},
journal= {arXiv preprint arXiv:2501.07378},
year = {2025}
}
备注
21 pages