基于联邦部分监督与站点自适应的多站点器官分割
计算机视觉与模式识别
2023-02-09 v1
摘要
目标与影响说明：准确的器官分割对于不同临床站点的许多临床应用至关重要，这些站点可能具有关注不同器官的特定应用需求。引言：然而，学习高质量的、站点特定的器官分割模型具有挑战性，因为这通常需要在现场策划大量标注图像。安全问题进一步使该问题复杂化。方法：本文旨在通过两阶段“先聚合后自适应”的方法来应对这些挑战。第一阶段的联邦聚合通过利用“更大数据”的优势来学习单一的多器官分割模型，这些“更大数据”通过以下方式形成：(i) 将来自多个具有不同器官标签的站点的数据集聚合在一起以提供部分监督，以及 (ii) 在不发生数据泄露的情况下进行部分监督学习。第二阶段的站点自适应是将联邦多器官分割模型迁移为站点特定的器官分割模型，每个站点一个模型，以进一步提升各站点器官分割任务的性能。此外，改进的边缘损失和排斥损失函数被用于避免部分监督机制中的“知识冲突”问题。结果与结论：在五个器官分割数据集上的大量实验证明了我们多站点方法的有效性，其显著优于逐站点学习的模型，并达到了与集中式学习模型相当的性能。
引用
@article{arxiv.2302.03911,
title = {Multi-site Organ Segmentation with Federated Partial Supervision and Site Adaptation},
author = {Pengbo Liu and Mengke Sun and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2302.03911},
year = {2023}
}