Split-U-Net：防止分割学习中的数据泄露以用于协作式多模态脑肿瘤分割
计算机视觉与模式识别
2022-09-28 v2 密码学与安全
分布式、并行与集群计算
摘要
分割学习（SL）被提出以去中心化方式训练深度学习模型。对于具有垂直数据划分的去中心化医疗应用，SL是有益的，因为它允许拥有共享患者集合的互补特征或图像的机构联合开发更鲁棒且可泛化的模型。本文中，我们提出“Split-U-Net”并成功将SL应用于协作式生物医学图像分割。然而，SL需要交换中间激活图和梯度以允许跨不同特征空间训练模型，这可能泄露数据并引发隐私担忧。因此，我们还量化了生物医学图像分割常见SL场景中的数据泄露量，并通过应用适当的防御策略提供抵消此类泄露的方法。
引用
@article{arxiv.2208.10553,
title = {Split-U-Net: Preventing Data Leakage in Split Learning for Collaborative Multi-Modal Brain Tumor Segmentation},
author = {Holger R. Roth and Ali Hatamizadeh and Ziyue Xu and Can Zhao and Wenqi Li and Andriy Myronenko and Daguang Xu},
journal= {arXiv preprint arXiv:2208.10553},
year = {2022}
}
备注
Accepted to DeCaF 2022 held in conjunction with MICCAI 2022