PathFL：用于病理图像分割的多对齐 Federated Learning

由于成像模态、器官和扫描设备等异质性来源的多样性，跨多中心的病理图像分割面临重大挑战，这些变异性带来了表征偏差并阻碍了可泛化分割模型的发展。在本文中，我们提出了 PathFL，一种用于病理图像分割的新型多对齐 Federated Learning 框架，通过图像、特征和模型聚合的三级对齐策略来解决这些挑战。首先，在图像层面，协作风格增强模块通过促进跨客户端的风格信息交换来对齐和多样化本地数据。其次，在特征层面，自适应特征对齐模块通过将全局见解融入局部特征，确保表征空间中的隐式对齐，促进异构客户端特征学习的一致性。最后，在模型聚合层面，分层相似性聚合策略在服务器上使用特定层的相似性分层对齐和聚合模型，以考虑客户端差异并增强全局泛化能力。在四组异构病理图像数据集上的综合评估，涵盖跨来源、跨模态、跨器官和跨扫描仪变体，验证了我们的 PathFL 在实现更好性能和抵御数据异质性方面的有效性。