面向异质胰腺分割的多任务联邦学习
计算机视觉与模式识别
2021-08-20 v1
摘要
用于医学图像分割的联邦学习（FL）在多任务设置中变得更具挑战性，因为客户端数据中可能具有不同类别的标签。例如，一个客户端可能仅有“健康”胰腺的患者数据，而其他客户端的数据集可能包含胰腺肿瘤病例。原始的联邦平均算法使得在不集中数据集的情况下，获得代表来自多个机构训练数据的更具泛化性的基于深度学习的分割模型成为可能。然而，对于上述多任务场景，它可能是次优的。在本文中，我们研究了异质优化方法，这些方法在 FL 设置下对腹部 CT 图像中胰腺及胰腺肿瘤的自动化分割表现出改进。
引用
@article{arxiv.2108.08537,
title = {Multi-task Federated Learning for Heterogeneous Pancreas Segmentation},
author = {Chen Shen and Pochuan Wang and Holger R. Roth and Dong Yang and Daguang Xu and Masahiro Oda and Weichung Wang and Chiou-Shann Fuh and Po-Ting Chen and Kao-Lang Liu and Wei-Chih Liao and Kensaku Mori},
journal= {arXiv preprint arXiv:2108.08537},
year = {2021}
}
备注
Accepted by MICCAI DCL Workshop 2021