MedSegNet10：面向分割型联邦医学图像分割的公开网络仓库
图像与视频处理
2025-07-01 v2 计算机视觉与模式识别
摘要
机器学习（ML）和深度学习（DL）在医疗领域展现出巨大的潜力，尤其是在医学图像分割方面，这对于准确的疾病诊断和治疗规划至关重要。尽管如此，数据隐私 concerns、标注数据稀缺以及训练数据不足等挑战仍然存在。去中心化学习方法，如联邦学习（FL）、分割学习（SL）和分割联邦学习（SplitFed/SFL），能有效解决这些问题。本文引入"MedSegNet10"，一个面向分割型联邦医学图像分割的公开访问型仓库。MedSegNet10提供了一系列针对 various medical image types 优化的预训练神经网络架构，包括人类胚胎囊的显微图像、皮肤瘤的皮肤学图像以及肠道内的病灶、息肉和溃疡等图像，应用前景远超上述示例。通过利用SplitFed的优势，MedSegNet10允许在私有存储的水平分割数据上进行协作训练，确保隐私和数据完整性。该仓库支持研究人员、实践者、在读者和数据科学家，旨在推动医学图像分割的发展，同时维护患者数据隐私。仓库地址：https://vault.sfu.ca/index.php/s/ryhf6t12O0sobuX（需经作者提供密码方可访问）。
引用
@article{arxiv.2503.20830,
title = {MedSegNet10: A Publicly Accessible Network Repository for Split Federated Medical Image Segmentation},
author = {Chamani Shiranthika and Zahra Hafezi Kafshgari and Hadi Hadizadeh and Parvaneh Saeedi},
journal= {arXiv preprint arXiv:2503.20830},
year = {2025}
}
备注
20 pages, 14 figures