通过联邦神经架构搜索加速 MR 成像的泛化学习重建
图像与视频处理
2023-08-29 v1
摘要
不同扫描设备与成像协议捕获的异构数据会影响深度学习磁共振（MR）重建模型的泛化性能。集中式训练模型虽能缓解该问题，却引发隐私保护担忧。联邦学习是一种分布式训练范式，可在不共享数据情况下利用多机构数据协同训练。然而，现有联邦学习 MR 图像重建方法依赖专家手动设计的模型，其复杂且计算昂贵，面对异构数据分布时性能下降。此外，这些方法对公平性问题考虑不足，即确保模型训练不引入对任何特定数据集分布的偏置。为此，本文提出一种用于加速 MR 成像的泛化联邦神经架构搜索框架（GAutoMRI）。具体而言，研究自动神经架构搜索，以对不同中心的 MR 图像进行有效且高效的神经网络表示学习。进一步，我们设计一种公平性调整方法，使模型能从不同设备与中心的不一致分布中公平学习特征，从而强制模型泛化至未见过中心。大量实验表明，相较于六种最先进联邦学习方法，所提 GAutoMRI 具有更优性能与泛化能力。且 GAutoMRI 模型显著更轻量，是 MR 图像重建任务的高效选择。代码将发布于 https://github.com/ternencewu123/GAutoMRI。
引用
@article{arxiv.2308.13995,
title = {Generalizable Learning Reconstruction for Accelerating MR Imaging via Federated Neural Architecture Search},
author = {Ruoyou Wu and Cheng Li and Juan Zou and Shanshan Wang},
journal= {arXiv preprint arXiv:2308.13995},
year = {2023}
}
备注
10 pages