基于推荐引擎驱动的联邦脑肿瘤分割客户端选择
机器学习
2024-12-31 v1 计算机视觉与模式识别
摘要
本研究提出了一种稳健且高效的客户端选择协议，旨在优化 Federated Tumor Segmentation Challenge (FeTS 2024) 的联邦学习过程。在联邦学习的演变过程中，明智地选择合作伙伴已成为成功和效率的关键因素，尤其是在需要高精度的领域。本工作引入了基于非负矩阵分解 (NNMF) 的推荐引擎框架和混合聚合方法，将内容过滤和协同过滤相结合。该方法智能地分析历史性能、专业知识及其他相关指标，以识别最合适的合作伙伴。该方法不仅解决了新型或不活跃的合作伙伴因数据有限而面临选择挑战的冷启动问题，还显著提高了联邦学习过程的精度和效率。此外，我们提出了谐和相似度加权聚合 (HSimAgg) 用于模型参数的自适应聚合。我们使用由1,251例多参数磁共振成像 (mpMRI) 扫描组成的数据集进行训练，这些扫描来自确诊脑肿瘤 (GBM) 患者；此外，还使用额外的219例 mpMRI 扫描进行外部评估。我们的联邦肿瘤分割方法在外部验证集上实现了0.7298、0.7424和0.8218的 dice 分数，分别对应于增强肿瘤 (ET)、肿瘤核心 (TC) 和整颗肿瘤 (WT) 的分割任务。总之，本研究表明，选择与特定任务（如脑肿瘤分割）相匹配的合作伙伴专业知识，可以提高联邦学习网络的有效性。
引用
@article{arxiv.2412.20250,
title = {Recommender Engine Driven Client Selection in Federated Brain Tumor Segmentation},
author = {Muhammad Irfan Khan and Elina Kontio and Suleiman A. Khan and Mojtaba Jafaritadi},
journal= {arXiv preprint arXiv:2412.20250},
year = {2024}
}