FedStain：面向计算病理学联邦域泛化的高阶染色统计建模
计算机视觉与模式识别
2026-05-15 v1
摘要
由于跨机构间显著的染色异质性，在严格的数据治理下进行稳健的全切片图像（WSI）分析仍具挑战性。域泛化（DG）可缓解这些偏移，但通常需要集中化数据，与隐私法规相冲突。联邦学习（FedL）提供了一种去中心化的替代方案；然而，现有的 FedL 和联邦域泛化（FedDG）方法几乎完全依赖低阶统计量，假设染色分布呈高斯状。相比之下，由于生化扩散和扫描仪非线性，真实世界的染色过程通常产生非对称、重尾的颜色分布。因此，当前方法无法建模主导真实世界染色变异性的高阶、非高斯特性。为解决此问题，我们提出了 FedStain，一种显式整合高阶染色矩——偏度和峰度——作为联邦优化期间交换的紧凑统计描述符的染色感知 FedDG 框架。这些描述符无需传输像素级数据，在保持严格隐私和通信效率的同时，使全局模型能够捕获低阶统计量遗漏的染色变异性。FedStain 还采用了一种对比性的跨站点参数聚合策略，以在不放松数据约束的前提下促进染色不变表示。在 Camelyon17 和我们新的 MvMidog-Fed 基准上的大量实验表明，FedStain 产生了一致的改进，以高达 +3.9% 的绝对准确率优于最先进的 FedL、DG 和 FedDG 基线。据我们所知，FedStain 是首个显式建模高阶染色统计量的 FedDG 方法，实现了计算病理学中稳健的跨机构部署。
引用
@article{arxiv.2605.14590,
title = {FedStain: Modeling Higher-Order Stain Statistics for Federated Domain Generalization in Computational Pathology},
author = {Fengyi Zhang and Junya Zhang and Wenzhuo Sun},
journal= {arXiv preprint arXiv:2605.14590},
year = {2026}
}