WWFedCBMIR：全球联合的基于内容的医学图像检索
图像与视频处理
2023-05-08 v1 计算机视觉与模式识别
摘要
本文提出了一种联邦式基于内容的医学图像检索（FedCBMIR）平台，利用联邦学习（FL）来解决训练 CBMIR 模型时获取多样化医学数据集的难题。CBMIR 通过识别既往病例中的相似医学图像和相关图块，相比传统癌症检测方法，可帮助病理学家更快速地诊断乳腺癌。然而，组织病理学中的 CBMIR 需要一组全切片图像（WSIs）进行训练以提取最优嵌入向量从而提升搜索引擎性能，而这并非所有中心都具备。医学数据集严格的数据共享法规也阻碍了研究与模型开发，使得丰富数据集的收集十分困难。所提出的 FedCBMIR 将模型分发至协作中心进行训练而无需共享数据集，从而比本地训练耗时更短。FedCBMIR 在 BreaKHis 和 Camelyon17（CAM17）上通过三个场景的两组实验进行了评估。研究表明，在具有四种放大倍率的泛化模型的 BreaKHis 实验中，FedCBMIR 方法将各客户端的 F1 分数（F1S）提升至 98%、96%、94% 和 97%，且比总本地训练少用 6.30 小时。FedCBMIR 在 CAM17 上以比本地训练少 2.49 小时的训练时间取得了 98% 的准确率，表明我们的 FedCBMIR 对病理学家和工程师而言均快速且准确。此外，我们的 FedCBMIR 为参与全球 FedCBMIR 的发展中国家提供了具有更高放大倍率的相似图像，以便与发达国家协作促进乳腺癌诊断中的有丝分裂测量。我们通过将 BreaKHis 分散至四个具有不同放大倍率的中心来评估该场景。
引用
@article{arxiv.2305.03383,
title = {WWFedCBMIR: World-Wide Federated Content-Based Medical Image Retrieval},
author = {Zahra Tabatabaei and Yuandou Wang and Adrián Colomer and Javier Oliver Moll and Zhiming Zhao and Valery Naranjo},
journal= {arXiv preprint arXiv:2305.03383},
year = {2023}
}
备注
This paper has been submitted in IEEE Access