pFedSAM：用于医学图像分割的 Segment Anything Model 个性化联邦学习
计算机视觉与模式识别
2025-09-22 v1
摘要
医学图像分割对计算机辅助诊断至关重要，但隐私限制阻碍了跨机构的数据共享。联邦学习解决了这一限制，但现有方法通常依赖轻量级架构，难以应对复杂、异构的数据。最近，Segment Anything Model (SAM) 展现出卓越的分割能力；然而，其庞大的编码器在联邦设置中带来了重大挑战。在本工作中，我们提出了首个针对医学图像分割中异构数据场景定制的个性化联邦 SAM 框架。我们的框架集成了两项关键创新：（1）一种个性化策略，仅聚合全局参数以捕获跨客户端共性，同时保留设计的 L-MoE (Localized Mixture-of-Experts) 组件以保留领域特定特征；（2）一种解耦的全局-局部微调机制，通过知识蒸馏利用师生范式来弥合全局共享模型与个性化局部模型之间的差距，从而缓解过度泛化。在两个公开数据集上的大量实验验证了我们的方法显著提升了分割性能，实现了稳健的跨域适应，并降低了通信开销。
引用
@article{arxiv.2509.15638,
title = {pFedSAM: Personalized Federated Learning of Segment Anything Model for Medical Image Segmentation},
author = {Tong Wang and Xingyue Zhao and Linghao Zhuang and Haoyu Zhao and Jiayi Yin and Yuyang He and Gang Yu and Bo Lin},
journal= {arXiv preprint arXiv:2509.15638},
year = {2025}
}
备注
5 pages