从去中心化部分标注医学图像中学习欠表示类别

利用去中心化数据进行联邦训练是缓解医学领域数据稀缺的一个有前景的新兴研究方向。然而，与通用物体识别任务中常见的大规模全标注数据不同，由于高标注成本，本地医学数据集更可能仅对部分感兴趣类别的图像进行了标注。本文考虑一个实用但未被充分探索的问题：欠表示类别仅有少量标注样本可用，且仅存在于联邦系统的少数客户端中。我们表明标准联邦学习方法在极端类别不平衡下无法学习鲁棒的多标签分类器，并通过提出一种新颖的联邦学习框架FedFew来解决该问题。FedFew包含三个阶段：第一阶段利用联邦自监督学习来学习类别无关表示；第二阶段利用去中心化部分标注数据学习面向常见类别的基于能量的多标签分类器；最后，基于能量检测欠表示类别，并提出一种基于原型的近邻模型用于少样本匹配。我们在多标签胸部疾病分类任务上评估FedFew，证明其大幅优于联邦基线方法。