脑肿瘤分割中多种归一化方法的验证：联邦学习能否克服这种异质性？
计算机视觉与模式识别
2025-10-09 v1 分布式、并行与集群计算
摘要
深度学习（DL）在医学成像中得到了越来越广泛的应用，但其需要大量数据，这引发了许多与数据隐私、存储和传输相关的挑战。联邦学习（FL）是一种克服这些问题的训练范式，但在处理非独立同分布（non-IID）数据时其有效性可能降低。本研究通过将不同的MRI强度归一化技术应用于独立的数据子集来模拟non-IID条件，反映了异质性的常见原因。这些子集随后用于训练和测试脑肿瘤分割模型。研究结果揭示了MRI强度归一化方法对分割模型在训练和推理阶段的影响。值得注意的是，联邦学习方法对跨客户端的非一致归一化数据表现出韧性，达到了92%的3D Dice分数，与使用全部数据训练的中心化模型相当。这些结果表明，联邦学习是一种在不违反数据隐私的前提下有效训练高性能模型的解决方案，这在医学应用中是一个关键关切。代码可在以下地址获取：https://github.com/SanoScience/fl-varying-normalization。
引用
@article{arxiv.2510.07126,
title = {Validation of Various Normalization Methods for Brain Tumor Segmentation: Can Federated Learning Overcome This Heterogeneity?},
author = {Jan Fiszer and Dominika Ciupek and Maciej Malawski},
journal= {arXiv preprint arXiv:2510.07126},
year = {2025}
}