IOP-FL：面向联邦医学图像分割的内部-外部个性化
图像与视频处理
2023-03-30 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
联邦学习（FL）允许多个医疗机构在不集中客户端数据的情况下协作学习一个全局模型。由于来自不同扫描仪和患者人群的医学图像存在异质性，这样的全局模型即便可能，也很难为每个单独客户端同时达到最优性能。当将该全局模型部署到联邦学习之外、在联邦训练期间未出现的未知分布的未见客户端时，此问题变得更加显著。为优化各客户端在医学成像任务中的预测精度，我们提出了一种用于联邦学习中内部与外部模型个性化（IOP-FL）的新型统一框架。我们的内部个性化采用轻量级基于梯度的方法，通过累积用于公共知识的全局梯度和用于客户端特定优化的本地梯度，利用每个客户端的本地适配模型。此外且重要的是，所获得的本地个性化模型与全局模型可形成一个多样且信息丰富的路由空间，以为外部FL客户端个性化适配模型。因此，我们利用带形状约束的一致性损失设计了一种新的测试时路由方案，在测试数据所传达的分布信息下动态整合这些模型。我们在两个医学图像分割任务上的大量实验结果表明，相较于SOTA方法，内部与外部个性化均有显著提升，展示了我们的IOP-FL方案在临床实践中的潜力。
引用
@article{arxiv.2204.08467,
title = {IOP-FL: Inside-Outside Personalization for Federated Medical Image Segmentation},
author = {Meirui Jiang and Hongzheng Yang and Chen Cheng and Qi Dou},
journal= {arXiv preprint arXiv:2204.08467},
year = {2023}
}
备注
Accepted by IEEE TMI special issue on federated learning for medical imaging