统一诸模型:多对比度 MRI 合成的个性化联邦学习
图像与视频处理
2022-08-24 v2 计算机视觉与模式识别
机器学习
摘要
多机构协作对于学习可泛化的 MRI 合成模型至关重要,这类模型将源对比度图像转换为目标对比度图像。为促进协作,联邦学习(FL)采用去中心化训练,并通过避免共享影像数据来缓解隐私问题。然而,FL 训练的合成模型可能受到数据分布中固有异质性的损害,当各站点规定常见或可变转换任务时,会出现域偏移。本文引入首个用于 MRI 合成的个性化联邦学习方法(pFLSynth),以提高对域偏移的可靠性。pFLSynth 基于一个对抗模型,该模型生成特定于各个站点和源-目标对比度的潜变量,并利用新颖的个性化模块根据给定的潜变量自适应地调整生成器各阶段特征图的统计量与权重。为了进一步促进站点特异性,生成器的下游层采用部分模型聚合,而上游层保留在本地。因此,pFLSynth 能够训练一个统一的合成模型,该模型可可靠地泛化到多个站点和转换任务。在多站点数据集上的综合实验清楚地证明了 pFLSynth 在多对比度 MRI 合成中相对于先前联邦方法的性能提升。
引用
@article{arxiv.2207.06509,
title = {One Model to Unite Them All: Personalized Federated Learning of Multi-Contrast MRI Synthesis},
author = {Onat Dalmaz and Usama Mirza and Gökberk Elmas and Muzaffer Özbey and Salman UH Dar and Emir Ceyani and Salman Avestimehr and Tolga Çukur},
journal= {arXiv preprint arXiv:2207.06509},
year = {2022}
}