FIVA：面向通用CT分割与不确定性估计的联邦逆方差平均
图像与视频处理
2025-08-14 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
不同的CT分割数据集通常是在不同的采集设置下由不同的扫描仪获取的，并且往往只为有限且通常互不重叠的器官集合提供分割标签。在保护患者隐私的同时有效利用这些异构数据具有挑战性。本研究提出了一种新颖的联邦学习方法，通过利用模型不确定性进行聚合，并利用预测不确定性进行推理，以在不同腹部CT数据集上实现通用分割。该方法利用随机小批量梯度下降的固有噪声来估计模型权重分布，从而在客户端层面提供随模型参数动态更新的不确定性估计。随后，在服务器端使用受贝叶斯启发的逆方差聚合方案，结合额外的先验不确定性信息对这些参数进行聚合。此外，所提方法通过传播模型权重的不确定性来量化预测不确定性，为临床决策提供必要的置信度度量。与近期研究一致，在推理阶段利用预测不确定性可提高预测性能。实验评估表明，与先前建立的基线相比，该方法在提升联邦聚合质量和不确定性加权推理方面均表现出有效性。本工作的代码可在以下网址获取：https://github.com/asimukaye/fiva
引用
@article{arxiv.2508.09196,
title = {FIVA: Federated Inverse Variance Averaging for Universal CT Segmentation with Uncertainty Estimation},
author = {Asim Ukaye and Numan Saeed and Karthik Nandakumar},
journal= {arXiv preprint arXiv:2508.09196},
year = {2025}
}
备注
17 pages, 5 figures, Machine Learning for Healthcare Conference