用于脑肿瘤分割中聚类联邦个性化的全脑放射组学
图像与视频处理
2023-10-19 v1 计算机视觉与模式识别
机器学习
摘要
联邦学习及其在医学图像分割中的应用近期成为热门研究方向。该训练范式受参与机构本地数据集间统计异质性的影响，相较经典训练会导致收敛变慢以及潜在精度损失。为缓解此效应，联邦个性化作为每机构一个模型的联邦优化应运而生。我们提出一种新颖的个性化算法，专为不同机构使用不同扫描仪与采集参数所导致的特征偏移而设计。该方法首次同时考虑机构间与机构内特征偏移（单一机构内使用多台扫描仪）。其基于在各中心内计算一系列捕捉每个3D图像体全局纹理的放射组学特征，随后将在本地机构计算的所有特征向量传输至中央服务器并进行聚类分析。每个计算得到的聚类去中心化数据集（可能包含来自不同机构的数据）随后用于微调通过经典联邦学习获得的全局模型。我们在Federated Brain Tumor Segmentation 2022 Challenge数据集(FeTS2022)上验证我们的方法。我们的代码见(https://github.com/MatthisManthe/radiomics_CFFL)。
引用
@article{arxiv.2310.11480,
title = {Whole-brain radiomics for clustered federated personalization in brain tumor segmentation},
author = {Matthis Manthe and Stefan Duffner and Carole Lartizien},
journal= {arXiv preprint arXiv:2310.11480},
year = {2023}
}
备注
Accepted at Medical Imaging with Deep Learning (MiDL) 2023 conference