MICCAI 2024 联邦肿瘤分割挑战 (FeTS): 高效稳健的联邦学习聚合方法
计算机视觉与模式识别
2025-12-09 v1 机器学习
摘要
我们报告了 MICCAI 2024 联邦肿瘤分割挑战 (FeTS) 的设计与结果，该挑战聚焦于用于脑肿瘤亚区域分割的联邦学习 (FL)，并评估新的权重聚合方法以提高稳健性与效率。六支参赛团队在标准化的 FL 环境下进行评估，数据源自 BraTS 脑肿瘤基准，包含 1,251 例训练案例、219 例验证案例和 570 例隐藏测试案例，分别对应增强肿瘤 (ET)、肿瘤核心 (TC) 和whole肿瘤 (WT) 的分割。团队根据分割性能（以 Dice 相似系数 DSC 和 95 百分位 Hausdorff 距离 HD95 测量）以及通信效率（通过收敛得分评估）进行排名。基于 PID 控制器的方法获得了overall 最高排名，分别在 ET、TC、WT 上的平均 DSC 值为 0.733、0.761 和 0.751，对应的 HD95 值为 33.922 mm、33.623 mm 和 32.309 mm，同时展现出最高的通信效率，收敛得分为 0.764。这些发现推进了医学影像领域的联邦学习技术，超越了此前挑战版本中最佳方法，凸显 PID 控制器作为稳定和优化 FL 权重聚合有效机制。挑战代码已公开于 https://github.com/FeTS-AI/Challenge。
引用
@article{arxiv.2512.06206,
title = {The MICCAI Federated Tumor Segmentation (FeTS) Challenge 2024: Efficient and Robust Aggregation Methods for Federated Learning},
author = {Akis Linardos and Sarthak Pati and Ujjwal Baid and Brandon Edwards and Patrick Foley and Kevin Ta and Verena Chung and Micah Sheller and Muhammad Irfan Khan and Mojtaba Jafaritadi and Elina Kontio and Suleiman Khan and Leon Mächler and Ivan Ezhov and Suprosanna Shit and Johannes C. Paetzold and Gustav Grimberg and Manuel A. Nickel and David Naccache and Vasilis Siomos and Jonathan Passerat-Palmbach and Giacomo Tarroni and Daewoon Kim and Leonard L. Klausmann and Prashant Shah and Bjoern Menze and Dimitrios Makris and Spyridon Bakas},
journal= {arXiv preprint arXiv:2512.06206},
year = {2025}
}
备注
Published at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2025:033