MS 病灶分割：重访联邦学习的加权机制
图像与视频处理
2022-05-04 v1 计算机视觉与模式识别
摘要
联邦学习（FL）已被广泛用于医学图像分析，以在不共享原始数据的情况下促进多客户端协作学习。尽管取得巨大成功，由于不同扫描仪和采集参数带来的病灶特征差异，FL 在多发性硬化症（MS）病灶分割任务上的性能受限。在这项工作中，我们提出首个通过两种有效重加权机制的 FL MS 病灶分割框架。具体而言，在聚合过程中，根据每个本地节点的分割性能为其分配可学习权重。此外，每个客户端中的分割损失函数在训练时根据数据的病灶体积进行重加权。在使用公共和临床数据集的两种 FL MS 分割场景上的对比实验表明，所提方法显著优于其他 FL 方法。此外，结合我们所提聚合机制的 FL 的分割性能可超过使用所有原始数据的集中式训练。广泛评估还表明，我们的方法在病灶修复后脑体积差异估计方面具有优越性。
引用
@article{arxiv.2205.01509,
title = {MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning},
author = {Dongnan Liu and Mariano Cabezas and Dongang Wang and Zihao Tang and Lei Bai and Geng Zhan and Yuling Luo and Kain Kyle and Linda Ly and James Yu and Chun-Chien Shieh and Aria Nguyen and Ettikan Kandasamy Karuppiah and Ryan Sullivan and Fernando Calamante and Michael Barnett and Wanli Ouyang and Weidong Cai and Chenyu Wang},
journal= {arXiv preprint arXiv:2205.01509},
year = {2022}
}
备注
10 pages, 3 figures, and 7 tables