基于联邦学习的多机构协作改进深度学习磁共振图像重建
图像与视频处理
2021-03-12 v4 计算机视觉与模式识别
摘要
从欠采样数据快速准确地重建磁共振(MR)图像在许多临床应用中十分重要。近年来,基于深度学习的方法在MR图像重建上表现出优越性能。然而,这些方法需要大量数据,而由于采集成本高和医疗数据隐私法规,数据的收集和共享十分困难。为克服这一挑战,我们提出了一种基于联邦学习(FL)的解决方案,在保护患者隐私的同时利用不同机构可用的MR数据。然而,由于域偏移(由多个机构使用不同传感器、疾病类型和采集协议等收集的数据引起),以FL设置训练的模型泛化性仍可能次优。为规避这一挑战,我们提出了一种用于MR图像重建的跨站点建模方法,其中不同源站点学习到的中间潜在特征与目标站点的潜在特征分布对齐。我们进行了大量实验以提供关于FL用于MR图像重建的多种见解。实验结果表明,所提框架是在不损害患者隐私的情况下利用多机构数据以实现改进MR图像重建的一个有前景的方向。我们的代码将发布于 https://github.com/guopengf/FLMRCM。
引用
@article{arxiv.2103.02148,
title = {Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning},
author = {Pengfei Guo and Puyang Wang and Jinyuan Zhou and Shanshan Jiang and Vishal M. Patel},
journal= {arXiv preprint arXiv:2103.02148},
year = {2021}
}
备注
Accepted at CVPR 2021