基于联邦学习范式的 IPMN 风险评估

Hongyi Pan; Ziliang Hong; Gorkem Durak; Elif Keles; Halil Ertugrul Aktas; Yavuz Taktak; Alpay Medetalibeyoglu; Zheyuan Zhang; Yury Velichko; Concetto Spampinato; Ivo Schoots; Marco J. Bruno; Pallavi Tiwari; Candice Bolan; Tamas Gonda; Frank Miller; Rajesh N. Keswani; Michael B. Wallace; Ziyue Xu; Ulas Bagci

基于联邦学习范式的 IPMN 风险评估

图像与视频处理 2025-01-24 v2 分布式、并行与集群计算机器学习

作者: Hongyi Pan , Ziliang Hong , Gorkem Durak , Elif Keles , Halil Ertugrul Aktas , Yavuz Taktak , Alpay Medetalibeyoglu , Zheyuan Zhang , Yury Velichko , Concetto Spampinato , Ivo Schoots , Marco J. Bruno , Pallavi Tiwari , Candice Bolan , Tamas Gonda , Frank Miller , Rajesh N. Keswani , Michael B. Wallace , Ziyue Xu , Ulas Bagci

在 arXiv 上查看 ↗ PDF ↗

摘要

对 Intraductal Papillary Mucinous Neoplasms (IPMN) 的准确分类对于识别需要及时干预的高风险病例至关重要。本研究开发了一种用于多中心 IPMN 分类的联邦学习框架，利用包括 652 张 T1 加权和 655 张 T2 加权 MRI 图像的综合性腹膜 MRI 数据集。该数据集来自 7 家主要医疗机构，标注了相应的 IPMN 风险评分，目前为 IPMN 分类规模最大且来源最为多样化的数据集。我们评估了 DenseNet-121 在集中式和联邦设置下的分类性能，用于分布式数据的训练。我们的结果表明，联邦学习方法在保持数据隐私的前提下，实现的分类准确率与集中式学习相当。这一工作标志着协作式 IPMN 分类的重大进展，促进了跨多中心的安全且高精度模型训练。

关键词

IPMN 联邦学习 DenseNet-121 MRI 数据隐私

引用

@article{arxiv.2411.05697,
  title  = {IPMN Risk Assessment under Federated Learning Paradigm},
  author = {Hongyi Pan and Ziliang Hong and Gorkem Durak and Elif Keles and Halil Ertugrul Aktas and Yavuz Taktak and Alpay Medetalibeyoglu and Zheyuan Zhang and Yury Velichko and Concetto Spampinato and Ivo Schoots and Marco J. Bruno and Pallavi Tiwari and Candice Bolan and Tamas Gonda and Frank Miller and Rajesh N. Keswani and Michael B. Wallace and Ziyue Xu and Ulas Bagci},
  journal= {arXiv preprint arXiv:2411.05697},
  year   = {2025}
}

备注

This paper has been accepted to ISBI 2025

基于联邦学习范式的 IPMN 风险评估

摘要

关键词

引用

备注

相关论文