面向X射线成像的基于层次化的定制化联邦学习框架HF-Fed

在临床应用中，X射线技术对无创检查如乳腺钛化剂检查至关重要，提供了必不可少的解剖信息。然而，X射线程序所伴随的辐射风险引发了关注。X射线重建对于医学成像至关重要，可提供内部结构的详细图表示象，辅助诊断和治疗，而无需侵入性程序。近期深度学习（DL）技术在X射线重建方面显示出前景，但传统DL方法通常需要集中式聚合大规模数据集，导致领域迁移和隐私问题。为此，我们提出了面向定制化X射线成像的基于层次化的联邦学习方法（HF-Fed）。HF-Fed通过将问题分解为局部数据适应和整体X射线成像来处理X射线成像优化。它采用面向特定医院的层次化框架，并引入名为Network of Networks（NoN）的共享通用成像网络，以从多样化的数据分布中获取稳定特征。层次化超网络提取领域特定的超参数，为NoN提供定制化的X射线重建。实验结果表明，HF-Fed的性能具有竞争力，为无需数据共享的情况下提升X射线成像提供了有前景的解决方案。该研究在医学领域联邦学习文献中作出了重要贡献，为决策者和医疗保健提供者提供了宝贵的见解。源代码和预训练的HF-Fed模型已提供，地址为\url{https://tisharepo.github.io/Webpage/}。