基于超网络的个性化联邦学习用于多机构 CT 成像
图像与视频处理
2024-03-26 v2 计算机视觉与模式识别
摘要
计算机断层扫描（CT）因能在无侵入检查下提供患者解剖信息而在临床实践中至关重要，但其潜在辐射风险正引发人们担忧。基于深度学习的方法被视为 CT 重建中有前景的方案，但这些网络模型通常用特定扫描协议测得的训练数据训练，且需集中收集大量数据，将导致严重的数据域偏移与隐私顾虑。为缓解这些问题，本文提出一种基于超网络的联邦学习方法用于个性化 CT 成像，称为 HyperFed。HyperFed 的基本假设是：各机构的优化问题可拆分为两部分——局部数据适配问题与全局 CT 成像问题，分别由机构特定的超网络与全局共享成像网络实现。全局共享成像网络旨在从不同机构学习稳定有效的共性特征。机构特定的超网络经精心设计以获取超参数，用以调节全局共享成像网络实现个性化局部 CT 重建。实验表明，相较其他几种先进方法，HyperFed 在 CT 重建中取得具竞争力的性能。其被视为在不共享隐私数据下提升 CT 成像质量并满足不同机构或扫描仪个性化需求的有前景方向。代码将发布于 https://github.com/Zi-YuanYang/HyperFed。
引用
@article{arxiv.2206.03709,
title = {Hypernetwork-based Personalized Federated Learning for Multi-Institutional CT Imaging},
author = {Ziyuan Yang and Wenjun Xia and Zexin Lu and Yingyu Chen and Xiaoxiao Li and Yi Zhang},
journal= {arXiv preprint arXiv:2206.03709},
year = {2024}
}