用于域泛化的数据隐私医学影像通用模型
图像与视频处理
2024-07-23 v1 计算机视觉与模式识别
摘要
在医学影像领域实现域泛化是一个重大挑战，主要由于公开标注数据集稀缺，这种稀缺性源于数据隐私顾虑以及需要医学专家精准标注数据的要求。在本文中，我们提出一种联邦学习方法，将来自多个本地模型的知识传递到全局模型，从而无需直接访问用于训练每个模型的本地数据集。主要目标是训练一个能够执行各种医学影像任务的全局模型，同时确保在训练这些模型期间所利用的私有数据集的保密性。为验证我们方法的有效性，我们在八个数据集上进行了大量实验，每个数据集对应于不同的医学影像应用。实验中的客户端数据分布差异显著，因为它们来自不同的域。尽管如此，我们展示了相对于采用掩码图像建模的 SOTA 基线进行的改进，该基线利用跨越不同身体部位和扫描类型的多样化预训练数据集。通过在不访问服务器上任何标注数据集的情况下，对来自各客户机的所学信息进行筛选，实现了这一改进。
引用
@article{arxiv.2407.14719,
title = {Universal Medical Imaging Model for Domain Generalization with Data Privacy},
author = {Ahmed Radwan and Islam Osman and Mohamed S. Shehata},
journal= {arXiv preprint arXiv:2407.14719},
year = {2024}
}