深度脑转移灶自标注的多中心隐私保留模型训练
图像与视频处理
2024-07-26 v2 计算机视觉与模式识别
摘要
目标: 本工作旨在探讨多中心数据异质性对深度学习脑转移灶( BM )自标注性能的影响，评估增量迁移学习技术——无忘记学习( LWF )在不共享原始数据情况下提高模型泛化能力的效果。材料与方法: 本次评估使用了来自 Erlangen 大学医院( UKER)、Zurich 大学医院( USZ)、斯坦福大学、UCSF、NYU 和 BraTS 2023 年 BM 分割挑战的数据。首先分别建立了针对单中心训练和汇聚数据训练的卷积神经网络( DeepMedic )在 BM 自标注中的多中心性能。随后评估了双边合作，其中 UKER 预训练模型被共享至另一中心进行迁移学习训练，是否使用 LWF。结果: 单中心训练时，BM 检测的平均 F1 分数范围于 0.625( NYU)至 0.876( UKER)。混合多中心训练显著提升了 Stanford 和 NYU 的 F1 分数，其余中心几乎无明显提升。当将 UKER 预训练模型应用于 USZ 时，LWF 在合并 UKER 和 USZ 测试数据上的平均 F1 分数(0.839)高于朴素 TL(0.570)和单中心训练(0.688)。朴素 TL 改善了灵敏度和轮廓精度，但降低了准确度。相反，LWF 在灵敏度、准确度和轮廓精度方面表现优异。应用于 Stanford 时，效果类似。结论: 数据异质性导致 BM 自标注表现差异，构成模型泛化性的挑战。LWF 是一种有前景的点对点隐私保留模型训练方法。
引用
@article{arxiv.2405.10870,
title = {Multicenter Privacy-Preserving Model Training for Deep Learning Brain Metastases Autosegmentation},
author = {Yixing Huang and Zahra Khodabakhshi and Ahmed Gomaa and Manuel Schmidt and Rainer Fietkau and Matthias Guckenberger and Nicolaus Andratschke and Christoph Bert and Stephanie Tanadini-Lang and Florian Putz},
journal= {arXiv preprint arXiv:2405.10870},
year = {2024}
}
备注
Official published version in the Green Journal: https://doi.org/10.1016/j.radonc.2024.110419