UltraFlwr —— 高效联邦外科目标检测框架
计算机视觉与模式识别
2026-01-26 v2
摘要
腹腔镜视频中的手术器械检测可实现对手术流程分析和技能评估的实时器械识别，但由于数据有限、隐私限制以及机构间差异性，训练鲁棒模型（如 You Only Look Once, YOLO）面临挑战。联邦学习（FL）可在不共享原始数据的情况下实现协同训练，但目前对现代YOLO管道在异构手术数据下的实际支持仍有限。我们提出了UltraFlwr——一个开源、通信高效且可部署于边缘的框架，将Ultralytics YOLO与Flower FL平台集成，支持YOLO组件（背板、颈部、头部）的原生部分聚合（Partial Aggregation, PA）。我们使用两个公开的腹腔镜手术器械检测数据集，系统性地研究了在独立且同分布（IID）及多个临床动机的异构场景下的联邦YOLO训练，包括数据整理方式、视频长度和标注可用性差异。结果表明，标准FL聚合器（如FedAvg）并不始终能匹配每个客户机的集中训练，但能减少客户机间的性能波动。同时，聚合背板和颈部组件可实现与完全聚合相当的性能，同时降低通信成本。此外，即使在客户机间增加分布偏移的情况下，提高客户机内部数据一致性也有助于联邦学习。这些发现为在异构手术环境中部署基于联邦YOLO的目标检测提供了实用指导。UltraFlwr已公开于 https://github.com/KCL-BMEIS/UltraFlwr。
引用
@article{arxiv.2503.15161,
title = {UltraFlwr -- An Efficient Federated Surgical Object Detection Framework},
author = {Yang Li and Soumya Snigdha Kundu and Maxence Boels and Toktam Mahmoodi and Sebastien Ourselin and Tom Vercauteren and Prokar Dasgupta and Jonathan Shapey and Alejandro Granados},
journal= {arXiv preprint arXiv:2503.15161},
year = {2026}
}
备注
7 pages, 3 figures