利用预训练模型实现面向肾结石类型识别的鲁棒性联邦学习
计算机视觉与模式识别
2024-10-01 v1
摘要
深度学习发展显著提升了医学影像诊断的准确度，在多个领域取得了显著进展。尽管如此，由于需要大量数据集和对数据交换的法律限制，仍存在诸多挑战。联邦学习（FL）提供了一种解决方案，允许在保持数据隐私的同时进行分布式模型训练。然而，FL 模型容易受到数据腐败的影响，可能导致性能下降。本研究建议利用预训练模型构建一种强大的 FL 框架来提高肾结石诊断。我们使用两个包含六种不同类别图像的肾结石数据集进行实验。我们的方法包括两个阶段：学习参数优化（LPO）和联邦鲁棒性验证（FRV）。在 LPO 阶段，我们实现了最高 84.1% 的准确率（7 个时代和 10 轮），在 FRV 阶段实现了 77.2% 的准确率，显示出在图像腐败情况下的诊断准确率和鲁棒性得到了提升。这突显了将预训练模型与 FL 结合以解决医学诊断中的隐私和性能问题的潜力，确保了改善患者护理并增强对基于 FL 的医疗系统信任。
引用
@article{arxiv.2409.19934,
title = {Leveraging Pre-trained Models for Robust Federated Learning for Kidney Stone Type Recognition},
author = {Ivan Reyes-Amezcua and Michael Rojas-Ruiz and Gilberto Ochoa-Ruiz and Andres Mendez-Vazquez and Christian Daul},
journal= {arXiv preprint arXiv:2409.19934},
year = {2024}
}