基于模型的联邦学习用于欠采样 k 空间数据的精准 MR 图像重建
图像与视频处理
2023-04-18 v1
摘要
基于深度学习的方法在磁共振(MR)图像重建领域取得了令人鼓舞的性能。然而,为恰当学习一个强大且鲁棒的模型,这些方法通常需要大量数据,而从多中心收集数据可能引发伦理与数据隐私违规问题。近来,联邦学习已成为在避免机构间数据传输的同时利用多中心数据的一种有前景的方案。但是,不同中心的数据存在高度异质性,且现有联邦学习方法倾向于使用平均聚合方式来合并客户端信息,这限制了训练模型的性能与泛化能力。本文提出一种基于模型的联邦学习框架(ModFed)。ModFed 有三点主要贡献:1) 不同于现有数据驱动的联邦学习方法,设计了模型驱动的神经网络以减轻各客户端对大数据的依赖;2) 提出一种自适应动态聚合方案,以解决数据异质性问题并提升训练所得神经网络模型的泛化能力与鲁棒性;3) 引入空间拉普拉斯注意力机制与个性化客户端损失正则化,以捕捉细节信息实现精准图像重建。ModFed 在三个体内数据集上进行了评估。实验结果表明,与其他五种当前最优(state-of-the-art)联邦学习方法相比,ModFed 在提升图像重建质量与增强模型泛化能力方面具有强劲表现。代码将发布于 https://github.com/ternencewu123/ModFed。
引用
@article{arxiv.2304.07502,
title = {Model-based Federated Learning for Accurate MR Image Reconstruction from Undersampled k-space Data},
author = {Ruoyou Wu and Cheng Li and Juan Zou and Qiegen Liu and Hairong Zheng and Shanshan Wang},
journal= {arXiv preprint arXiv:2304.07502},
year = {2023}
}
备注
10 pages