基于频率的联邦域泛化肠道息肉分割
图像与视频处理
2024-12-31 v2
摘要
联邦学习 (Federated Learning, FL) 提供了一种在保持数据隐私的同时跨去中心化数据集训练机器学习模型的强大方法,但各客户端之间的域迁移可能导致性能下降,尤其是在医学成像任务如肠道息肉分割中尤为如此。本文引入一种新型频率基于域泛化 (Frequency-Based Domain Generalization, FDG) 框架,利用在傅里叶域中应用软阈值和硬阈值来解决这些挑战。通过对傅里叶系数应用软阈值和硬阈值,该方法生成具有降低背景噪声的新图像,并增强模型在 diverse 医学成像域上的泛化能力。大量实验表明,在基线方法之上,本方法在分割准确率和域鲁棒性方面实现了显著提升。该创新将频率域技术集成到 FL 中,为克服去中心化医学图像分析中的域变异提供了一种韧性方法。
引用
@article{arxiv.2410.02044,
title = {Frequency-Based Federated Domain Generalization for Polyp Segmentation},
author = {Hongyi Pan and Debesh Jha and Koushik Biswas and Ulas Bagci},
journal= {arXiv preprint arXiv:2410.02044},
year = {2024}
}
备注
This paper has been accepted to ICASSP 2025