跨临床站点提升多发性硬化病灶分割：一种具有抗噪训练的联邦学习方法
图像与视频处理
2023-09-01 v1 计算机视觉与模式识别
分布式、并行与集群计算
摘要
利用磁共振成像(MRI)准确测量多发性硬化(MS)的演变，对理解疾病进展和指导治疗策略至关重要。深度学习模型在自动分割MS病灶方面已展现出潜力，但精确标注数据的匮乏阻碍了该领域的进展。从单一临床站点获取充足数据具有挑战性，且无法满足模型鲁棒性所需的异质性需求。反之，从多站点收集数据会引发数据隐私问题，并因标注标准不一而带来潜在的标签噪声。为应对这一困境，我们探索在考虑标签噪声的情况下使用联邦学习框架。我们的方法在联邦学习范式下实现多临床站点的协作且不损害数据隐私，该范式结合了基于标签纠正的抗噪声训练策略。具体而言，我们提出一种解耦硬标签纠正(DHLC)策略，其考虑了MS病灶的不平衡分布与模糊边界，能够基于预测置信度纠正错误标注。我们还提出一种中心增强标签纠正(CELC)策略，其利用聚合的中心模型作为所有站点的纠正教师，提升纠正过程的可靠性。在两个多站点数据集上开展的广泛实验证明了我们所提方法的有效性与鲁棒性，表明其在多站点协作临床应用中具有潜力。
引用
@article{arxiv.2308.16376,
title = {Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training},
author = {Lei Bai and Dongang Wang and Michael Barnett and Mariano Cabezas and Weidong Cai and Fernando Calamante and Kain Kyle and Dongnan Liu and Linda Ly and Aria Nguyen and Chun-Chien Shieh and Ryan Sullivan and Hengrui Wang and Geng Zhan and Wanli Ouyang and Chenyu Wang},
journal= {arXiv preprint arXiv:2308.16376},
year = {2023}
}
备注
11 pages, 4 figures, journal submission