不共享患者数据的多机构深度学习建模：脑肿瘤分割可行性研究
机器学习
2018-10-24 v2 机器学习
摘要
用于图像语义分割的深度学习模型需要大量数据。在医学影像领域，获取充足数据是一项重大挑战。标注医学图像数据需要专家知识。机构间的协作可应对此挑战，但将医疗数据共享至集中式位置面临诸多法律、隐私、技术及数据所有权方面的挑战，尤其在国际机构之间。在本研究中，我们首次引入联邦学习用于多机构协作，使得不共享患者数据即可进行深度学习建模。我们的定量结果表明，在多模态脑部扫描上，联邦语义分割模型的性能（Dice=0.852）与通过共享数据训练的模型（Dice=0.862）相近。我们将联邦学习与两种替代性协作学习方法进行比较，发现它们均未能达到联邦学习的性能。
引用
@article{arxiv.1810.04304,
title = {Multi-Institutional Deep Learning Modeling Without Sharing Patient Data: A Feasibility Study on Brain Tumor Segmentation},
author = {Micah J Sheller and G Anthony Reina and Brandon Edwards and Jason Martin and Spyridon Bakas},
journal= {arXiv preprint arXiv:1810.04304},
year = {2018}
}
备注
MICCAI, Brain Lesion (BrainLes) workshop, September 16, 2018, Granada, Spain