ST-FL：联邦学习中用于 COVID-19 分割的风格迁移预处理

胸部计算机断层扫描（CT）在 COVID-19 诊断中具有低成本、快速与客观的优势，深度学习方法在辅助这些图像的分析与解读方面已展现出巨大前景。大多数医院或国家可使用内部数据训练自己的模型，然而经验证据表明，这些模型在未见的新病例上测试时表现不佳，凸显了协调全球协作的必要性。由于隐私法规，医院与国之间的医疗数据共享极为困难。我们提出了一种 GAN 增强的联邦学习模型，称为 ST-FL（Style Transfer Federated Learning，风格迁移联邦学习），用于 COVID-19 图像分割。联邦学习（FL）允许从位于不同私有数据孤岛中的异构数据集以安全方式学习集中式模型。我们证明，FL 客户端节点上差异巨大的数据质量导致用于 COVID-19 胸部 CT 图像分割的集中式 FL 模型次优。ST-FL 是一种新颖的 FL 框架，在面对客户端节点上高度可变的数据质量时具有鲁棒性。该鲁棒性通过在联邦每个客户端上采用去噪 CycleGAN 模型实现，该模型将任意质量图像映射到同一目标质量，抵消了现实世界 FL 用例中明显的数据严重变异性。每个客户端均获得相同的目标风格（所有客户端相同），并训练自己的去噪器。我们的定性与定量结果表明，该 FL 模型性能可与集中访问所有训练数据的模型相媲美，且在某些情况下更优。