面向多中心组织病理学数据集的孤岛式联邦学习
计算机视觉与模式识别
2020-12-23 v1 机器学习
图像与视频处理
摘要
尽管联邦学习是一种在有分布的敏感数据集上训练深度学习模型的有前景的方法，但它为机器学习带来了新的挑战，尤其在应用于多中心数据异质性普遍存在的医学领域时。基于先前的域适应工作，本文提出了一种用于深度学习架构的新颖联邦学习方法，通过引入局部统计批量归一化（BN）层，从而产生协作训练但中心特定的模型。该策略提升了对数据异质性的鲁棒性，同时通过不共享中心特定的层激活统计降低了信息泄漏的可能性。我们在从 Camelyon16 和 Camelyon17 数据集中提取的肿瘤组织病理学图像块分类任务上对所提方法进行了基准测试。我们表明，我们的方法优于先前的最先进方法，尤其是在跨数据集的迁移学习方面。
引用
@article{arxiv.2008.07424,
title = {Siloed Federated Learning for Multi-Centric Histopathology Datasets},
author = {Mathieu Andreux and Jean Ogier du Terrail and Constance Beguier and Eric W. Tramel},
journal= {arXiv preprint arXiv:2008.07424},
year = {2020}
}
备注
Accepted to MICCAI 2020 DCL workshop