FedSODA：用于组织病理学分区的联邦交叉评估与动态聚合
图像与视频处理
2023-12-21 v1 计算机视觉与模式识别
摘要
涉及多个医疗机构的组织病理学图像分割联邦学习（FL）在推动精准疾病诊断与治疗领域发挥着至关重要的作用。然而，由于客户端之间的样本不平衡以及来自不同器官、可变分割任务和多样分布的大规模数据异构性，这仍然是一项极具挑战性的任务。因此，我们提出了一种用于组织病理学细胞核和组织分割的新型 FL 方法 FedSODA，该方法通过合成驱动的交叉评估操作（SO）和动态分层聚合（DA）实现。我们的 SO 构建了一种交叉评估策略以连接客户端并减轻样本不平衡下的表示偏差。我们的 DA 利用逐层交互和动态聚合来减少异构性并增强泛化能力。我们在来自 7 个独立数据集的最大规模组织病理学图像分割数据集上评估了 FedSODA 的有效性。代码地址：https://github.com/yuanzhang7/FedSODA。
引用
@article{arxiv.2312.12824,
title = {FedSODA: Federated Cross-assessment and Dynamic Aggregation for Histopathology Segmentation},
author = {Yuan Zhang and Yaolei Qi and Xiaoming Qi and Lotfi Senhadji and Yongyue Wei and Feng Chen and Guanyu Yang},
journal= {arXiv preprint arXiv:2312.12824},
year = {2023}
}
备注
Accepted by ICASSP2024