隐私保护的联邦脑肿瘤分割
计算机视觉与模式识别
2019-10-03 v1
摘要
由于医疗数据隐私法规，通常难以在集中式数据湖中收集和共享患者数据。这给训练机器学习算法（如深度卷积网络）带来挑战，此类算法往往需要大量多样化的训练样本。联邦学习通过将代码送至患者数据拥有方，并仅在其间共享中间模型训练更新，规避了这一困难。尽管通过适当聚合这些模型更新可获得高精度模型，但所共享的模型可能间接泄露本地训练样本。本文中，我们研究在联邦学习设置中应用差分隐私技术以保护患者数据的可行性。我们在 BraTS 数据集上实现并评估了用于脑肿瘤分割的实用联邦学习系统。实验结果表明，模型性能与隐私保护代价之间存在权衡。
引用
@article{arxiv.1910.00962,
title = {Privacy-preserving Federated Brain Tumour Segmentation},
author = {Wenqi Li and Fausto Milletarì and Daguang Xu and Nicola Rieke and Jonny Hancox and Wentao Zhu and Maximilian Baust and Yan Cheng and Sébastien Ourselin and M. Jorge Cardoso and Andrew Feng},
journal= {arXiv preprint arXiv:1910.00962},
year = {2019}
}
备注
MICCAI MLMI 2019