基于双信号自编码器的鲁棒性联邦异常检测：肾结石在尿道内镜中的识别
组织与器官
2025-10-09 v1
摘要
本工作引入了 Federated Adaptive Gain via Dual Signal Trust (FedAgain)，一种新型联邦学习算法，旨在增强医学影像中异常检测的鲁棒性，同时满足去中心化和异构条件。本研究聚焦于肾结石分类任务，FedAgain 解决了临床环境中常见的损坏或低质量客户端数据的挑战，通过基于重建误差和模型发散的双信号信任机制实现。该机制使中央服务器能够在不获取客户端原始数据的情况下动态降低来自不可信客户端的更新，从而保持模型的完整性和数据隐私。FedAgain 采用深度卷积自编码器，在两种多样化的肾结石数据集上进行训练，并在 16 种内镜特定损坏类型和 5 个严重程度水平上进行评估。广泛的实验表明，FedAgain 有效抑制了“专家伪造者”客户端，提高了对图像损坏的鲁棒性，并为协作医学异常检测提供了隐私保护解决方案。与传统 FedAvg 相比，FedAgain 在所有 16 种损坏类型中均实现了明显的改进，精度提升最高可达 +14.49%，F1 分数提升最高可达 +10.20%，凸显其在挑战性影像场景中的鲁棒性和有效性。
引用
@article{arxiv.2510.06230,
title = {Robust Federated Anomaly Detection Using Dual-Signal Autoencoders: Application to Kidney Stone Identification in Ureteroscopy},
author = {Ivan Reyes-Amezcua and Francisco Lopez-Tiro and Clément Larose and Christian Daul and Andres Mendez-Vazquez and Gilberto Ochoa-Ruiz},
journal= {arXiv preprint arXiv:2510.06230},
year = {2025}
}