基于PPPML-HMI的个性化隐私保护联邦异构医学图像分析
图像与视频处理
2024-01-12 v1 计算机视觉与模式识别
机器学习
摘要
在医学影像领域，由于医院使用多样化的模型与设备设置，异构数据普遍存在。然而，现有少数开源框架能够在无需修改现有模型结构或共享任何私有数据的前提下，同时实现个性化与隐私保护的联邦异构医学图像分析。本文提出PPPML-HMI，一种用于个性化隐私保护联邦异构医学图像分析的开源学习范式。据我们所知，通过集成PerFedAvg算法并设计基于同态加密算法的新型循环安全聚合，首次在联邦场景下同时实现个性化与隐私保护。为展示PPPML-HMI的效用，我们将其应用于一项模拟分类任务（即基于RAD-ChestCT数据集的健康人与患者分类）和一项真实分割任务（即COVID-19 CT扫描中肺部感染的分割）。在真实任务中，异构场景下PPPML-HMI相较传统联邦学习平均Dice分数提高约5%。同时，我们应用改进的深度梯度泄露来模拟对抗攻击，展示了PPPML-HMI可靠的隐私保护能力。通过将PPPML-HMI应用于采用不同神经网络、不同用户数与样本量的两项任务，我们进一步证明了其强鲁棒性。
引用
@article{arxiv.2302.11571,
title = {Personalized and privacy-preserving federated heterogeneous medical image analysis with PPPML-HMI},
author = {Juexiao Zhou and Longxi Zhou and Di Wang and Xiaopeng Xu and Haoyang Li and Yuetan Chu and Wenkai Han and Xin Gao},
journal= {arXiv preprint arXiv:2302.11571},
year = {2024}
}