用于快速MR成像的自监督联邦学习
图像与视频处理
2023-05-11 v1
摘要
基于联邦学习(FL)的磁共振(MR)图像重建能够促进从多机构学习有价值的先验知识,且不违反患者隐私以加速MR成像。然而,现有方法依赖全采样数据进行模型的协同训练。仅拥有欠采样数据的客户端既无法参与FL,也无法从其他客户端获益。此外,异构数据分布阻碍FL训练出有效的深度学习重建模型,从而导致性能下降。为解决这些问题,我们提出一种自监督联邦学习方法(SSFedMRI)。SSFedMRI在每个客户端中探索基于物理的对比重建网络,以在全采样数据缺失的情况下实现跨站点协同训练。此外,设计了一种个性化软更新方案,以同时捕获不同中心间的全局共享表示并维持各客户端的特定数据分布。所提方法在四个数据集上评估,并与最新最先进的方法比较。实验结果表明,SSFedMRI在分布内与分布外数据集上均具备从视觉与定量上重建准确MR图像的强大能力。
引用
@article{arxiv.2305.06066,
title = {Self-Supervised Federated Learning for Fast MR Imaging},
author = {Juan Zou and Cheng Li and Ruoyou Wu and Tingrui Pei and Hairong Zheng and Shanshan Wang},
journal= {arXiv preprint arXiv:2305.06066},
year = {2023}
}
备注
10 pages,4 figures