用于联邦三维医学体分割的邻域特征统计增强

联邦学习（FL）使多个客户端医疗机构能够在隐私保护下协作训练深度学习（DL）模型。然而，FL 的性能可能受限于小型机构中标注数据的有限可用性以及机构间异构（即非独立同分布）的数据分布。尽管数据增强作为“免费午餐”已被证明能提升常规集中式 DL 的泛化能力，但其在 FL 中的应用很大程度上未被充分探索。值得注意的是，受限于昂贵的标注，三维医学分割通常依赖数据增强。本工作中，我们旨在开发一种邻域特征级数据增强（VFDA）方案，以高效缓解局部特征偏移并促进隐私感知 FL 分割的协作训练。我们同时考虑机构内与机构间的差异，无需跨机构传输原始数据或其混合。具体而言，我们利用各机构中批式特征统计（如均值与标准差）来抽象表示数据差异，并通过高斯原型以概率方式对每个特征统计建模，其均值对应原始统计值、方差量化增强范围。从邻域风险最小化视角，可从高斯分布中采样新特征统计以实现增强。该方差由各机构的数据偏置及所有参与机构刻画的基础特征统计显式导出。所添加的 VFDA 在三维脑肿瘤与心脏分割上相较六种先进 FL 方法均带来显著改进。