基于共享特征聚合与边界聚焦校准的个性化联邦分割
计算机视觉与模式识别
2025-11-25 v1 人工智能
摘要
个性化联邦学习（PFL）具有在客户端之间保持数据保密的独特能力，同时解决非独立同分布（Non-IID）数据的异构性问题。其优势使其在诸如医学图像分割等领域得到广泛应用。然而，现有方法大多忽视了利用不同客户端之间共享特征所带来的潜在益处，而每个客户端包含不同器器的分割数据。在本工作中，我们提出了一种新颖的器器无关肿瘤分割方法（FedOAP），该方法利用跨注意力机制建模不同客户端共享特征之间的长程依赖关系，并引入边界感知损失以提高分割一致性。FedOAP采用解耦式跨注意力（DCA），使每个客户端能够保留本地查询，同时注意来自所有客户端聚合的全局共享键值对，从而捕捉跨器器特征的长程依赖。此外，我们引入了扰动边界损失（PBL），该损失聚焦于每个客户端预测掩码边界的不一致性，迫使模型更精确地定位边缘。我们在横跨不同器器的多样化肿瘤分割任务上对FedOAP进行了评估。大量实验表明，FedOAP在现有SOTA联邦和个性化分割方法中 consistently 取得更佳性能。
引用
@article{arxiv.2511.18847,
title = {Personalized Federated Segmentation with Shared Feature Aggregation and Boundary-Focused Calibration},
author = {Ishmam Tashdeed and Md. Atiqur Rahman and Sabrina Islam and Md. Azam Hossain},
journal= {arXiv preprint arXiv:2511.18847},
year = {2025}
}