MLA-BIN：用于联邦学习医学图像分割域泛化的模型级注意力与批-实例风格归一化
图像与视频处理
2023-06-30 v1 计算机视觉与模式识别
摘要
联邦学习（FL）的隐私保护机制为跨中心医疗协作与数据共享提供了有效方案。在多站点医学图像分割中，每个医疗站点作为 FL 的一个客户端，其数据自然构成一个域。FL 为提升已见域模型性能提供了可能。然而，实际部署中存在域泛化（DG）问题，即 FL 训练的模型在未见域上性能会下降。为此，本研究提出 MLA-BIN 以解决 FL 的 DG 问题。具体而言，设计了模型级注意力模块（MLA）与批-实例风格归一化（BIN）块。MLA 将未见域表示为已见域模型的线性组合。引入注意力机制确定加权系数，依据域间数据特征相似性获得最优系数。MLA 使全局模型能泛化至未见域。在 BIN 块中，结合批归一化（BN）与实例归一化（IN）对分割网络浅层进行风格归一化，解决域间图像风格差异对 DG 的影响。两项医学图像分割任务的大量实验结果表明，所提 MLA-BIN 优于当前最先进方法。
引用
@article{arxiv.2306.17008,
title = {MLA-BIN: Model-level Attention and Batch-instance Style Normalization for Domain Generalization of Federated Learning on Medical Image Segmentation},
author = {Fubao Zhu and Yanhui Tian and Chuang Han and Yanting Li and Jiaofen Nan and Ni Yao and Weihua Zhou},
journal= {arXiv preprint arXiv:2306.17008},
year = {2023}
}
备注
9 pages, 8 figures, 2 tables