面向 MR 图像重建的保特异性联邦学习
图像与视频处理
2022-08-24 v3 计算机视觉与模式识别
摘要
联邦学习（FL）可通过使多家机构在不聚合本地数据的前提下开展协作，从而提升磁共振（MR）图像重建中的数据隐私与效率。然而，由不同 MR 成像协议引发的域偏移会显著劣化 FL 模型的性能。近期的 FL 技术倾向于通过增强全局模型的泛化能力来解决该问题，却忽视了域特定特征——这些特征可能包含关于设备属性的重要信息，并对本地重建颇有助益。本文提出一种面向 MR 图像重建的保特异性联邦学习算法（FedMRI）。其核心思想是将 MR 重建模型划分为两部分：一个全局共享编码器，用于在全局层面获取泛化表征；以及一个客户端特定解码器，用于保留各客户端的域特定属性，这在客户端具有独特分布时的协同重建中至关重要。该方案随后分别在频域空间与图像空间中执行，从而在不同空间内同时探索泛化表征与客户端特定属性。此外，为在存在域偏移时进一步加速全局共享编码器的收敛，引入了加权对比正则化，以在优化过程中直接纠正客户端与服务器之间的任何偏差。大量实验表明，我们的 FedMRI 在多机构数据上的重建结果最接近真实值，且优于当前最先进的 FL 方法。
引用
@article{arxiv.2112.05752,
title = {Specificity-Preserving Federated Learning for MR Image Reconstruction},
author = {Chun-Mei Feng and Yunlu Yan and Shanshan Wang and Yong Xu and Ling Shao and Huazhu Fu},
journal= {arXiv preprint arXiv:2112.05752},
year = {2022}
}
备注
12 pages, 8 figures Code: https://github.com/chunmeifeng/FedMRI