面向医学图像分割的跨臂个性化联邦学习：基于特征增强的 pFLFE 框架
计算机视觉与模式识别
2024-07-02 v1 人工智能
摘要
在医学图像分割领域，针对数据稀缺和隐私问题的跨臂个性化联邦学习（FL）正日益流行。然而，现有方法常因客户端漂移导致性能不一致、训练延迟。我们提出了新的框架个性化联邦学习通过特征增强（pFLFE），旨在缓解此类挑战。pFLFE 包含两个主要阶段：特征增强和监督学习。第一个阶段提高前景与背景特征的区分度，第二个阶段则利用这些增强特征进行掩码分割学习。我们还设计了一种需要更少通信轮次的替代训练方法，既不影响分割质量，又适用于有限通信资源。通过在三个医学分割任务上的实验，我们展示了 pFLFE 在性能上优于最先进的方法。
引用
@article{arxiv.2407.00462,
title = {pFLFE: Cross-silo Personalized Federated Learning via Feature Enhancement on Medical Image Segmentation},
author = {Luyuan Xie and Manqing Lin and Siyuan Liu and ChenMing Xu and Tianyu Luan and Cong Li and Yuejian Fang and Qingni Shen and Zhonghai Wu},
journal= {arXiv preprint arXiv:2407.00462},
year = {2024}
}