通过自适应表示与聚合统一和个性化弱监督联邦医学图像分割

联邦学习（FL）使多个站点能够协作训练强大的深度模型而不损害数据隐私与安全。统计异质性（例如非独立同分布数据与域偏移）是 FL 中的主要障碍，损害全局模型的泛化性能。弱监督分割使用稀疏粒度（即点、边界框、涂鸦、块级）监督，因其减少标注成本的巨大潜力正日益受到关注。然而，可能存在标签异质性，即跨站点的不同标注形式。本文中，我们提出一种用于医学图像分割的新颖个性化 FL 框架，名为 FedICRA，其通过自适应对比表示与聚合统一利用异构弱监督。具体而言，为促进个性化建模并避免混淆，采用基于通道选择的站点对比表示模块来自适应聚类站内嵌入并分离站间嵌入。为有效整合来自全局模型的通用知识与各局部模型的独有知识，应用自适应聚合模块在元素级更新和初始化局部模型。此外，采用利用多尺度树能量损失与门控 CRF 损失的弱监督目标函数以生成更精确的伪标签并进一步提升分割性能。通过在两种不同模态的医学图像分割任务上的大量实验，所提 FedICRA 展现出优于其他最先进个性化 FL 方法的压倒性性能。其性能甚至接近集中式数据上的全监督训练。我们的代码与数据可在 https://github.com/llmir/FedICRA 获取。