通过局部校准实现个性化联邦医学图像分割
计算机视觉与模式识别
2022-07-12 v1
摘要
联邦学习（FL）下的医学图像分割是一个有前景的方向，它允许多个临床站点在不集中数据集的情况下协作学习全局模型。然而，使用单一模型适应来自不同站点的各种数据分布极具挑战性。个性化 FL 通过仅利用从全局服务器共享的部分模型参数，同时保留其余参数以在各单位点本地训练中适应自身数据分布来解决此问题。然而，多数现有方法聚焦于部分参数切分，而未考虑本地训练中的站点间不一致性，而这事实上可促进站点间知识交流，利于模型学习以提升本地精度。本文提出一种带局部校准（LC-Fed）的个性化联邦框架，利用特征级与预测级上的站点间不一致性来提升分割效果。具体而言，由于各本地站点对不同特征有差异化关注，我们首先设计对比式站点嵌入并结合通道选择操作以校准编码特征。此外，我们提出利用预测级不一致性知识来指导对模糊区域（如解剖边界）的个性化建模，通过计算得到不一致感知图以校准预测来实现。我们的方法在三个不同模态的医学图像分割任务上验证了有效性，相较最先进的个性化 FL 方法一致展现出更优性能。代码见 https://github.com/jcwang123/FedLC。
引用
@article{arxiv.2207.04655,
title = {Personalizing Federated Medical Image Segmentation via Local Calibration},
author = {Jiacheng Wang and Yueming Jin and Liansheng Wang},
journal= {arXiv preprint arXiv:2207.04655},
year = {2022}
}
备注
Accepted at ECCV 2022