Segmentación de trombosis venosa profunda con reconocimiento de privacidad utilizando un marco de aprendizaje...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Ciencias de la Computación

Sus antecedentes:

• El diagnóstico de Trombosis Venosa Profunda (TVP) se basa en la segmentación precisa de las Tomografías Computarizadas (TC).
• Los métodos de segmentación existentes pueden enfrentar desafíos con la privacidad de los datos y los conjuntos de datos distribuidos.
• El Aprendizaje Federado (FedL) ofrece un enfoque que preserva la privacidad para entrenar modelos en datos descentralizados.

Objetivo del estudio:

• Desarrollar y evaluar una arquitectura eficiente de Aprendizaje Federado (FedL) para la segmentación de TVP utilizando imágenes de TC.
• Mejorar la precisión y eficiencia de la segmentación manteniendo la privacidad y seguridad de los datos.
• Evaluar la escalabilidad y estabilidad del marco FedL en diversos tamaños de conjuntos de datos y complejidades de modelos.

Principales métodos:

• Se propuso una arquitectura FedL eficiente utilizando el algoritmo de Promediación Federada (FedAvg).
• Se entrenaron siete modelos locales distintos en imágenes de TC no independientes e idénticamente distribuidas (No-IID) en tres fases con un número creciente de clientes y diversidad de modelos (CNN, Secuencial, Semántico, U-Net, VGG Net-19, U-Net Modificado, Modificado-Net).
• Se agregaron los pesos de los modelos locales para mejorar progresivamente un modelo global, evaluado en conjuntos de datos de 1000, 2000 y 3000 muestras.

Principales resultados:

• Se observaron ganancias significativas de rendimiento con el aumento del tamaño del conjunto de datos, incluyendo una mayor precisión y puntuación F1, y una menor pérdida de Tversky.
• Mejora constante en todas las fases, con la pérdida de validación reducida de 0.910 a 0.061.
• El marco demostró escalabilidad con el aumento de los costos de comunicación (14 MB a 3279 MB) y el tiempo de entrenamiento (7.67 s a 18,702 s), al tiempo que preservaba la privacidad diferencial y mejoraba la heterogeneidad del cliente.

Conclusiones:

• El marco FedL propuesto mejora eficazmente la precisión y eficiencia de la segmentación de TVP en imágenes de TC.
• La arquitectura demuestra una escalabilidad, estabilidad y preservación de la privacidad diferencial robustas en entornos heterogéneos.
• El Aprendizaje Federado es un enfoque viable para el análisis de imágenes médicas que preserva la privacidad en entornos distribuidos.