多发性硬化病损伤细分:重新审视联合学习的权重机制
Dongnan Liu1,2, Mariano Cabezas2, Dongang Wang2,3
1School of Computer Science, The University of Sydney, Sydney, NSW, Australia.
Frontiers in neuroscience
|June 5, 2023
概括
本研究引入了用于多发性硬化症 (MS) 病变细分的联合学习 (FL) 框架,通过根据性能和病变量重新权衡数据来提高准确性. 该方法取得的结果与集中培训相提并论.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学图像分析 医学图像分析
背景情况:
- 联合学习 (FL) 允许在没有数据共享的情况下进行协作医疗图像分析.
- 在神经成像中FL的应用,特别是多发性硬化症 (MS) 病变细分,由于扫描仪和采集参数的变化,是次优的.
- 现有的FL方法与MS病变特征的异质性作斗争.
研究的目的:
- 开发第一个针对多发性硬化症 (MS) 病变细分的联合学习框架.
- 通过解决数据异质性,提高神经图像分析中的FL性能.
- 提高使用FL的MS病变细分的准确性和稳定性.
主要方法:
- 提出了一个新的FL框架,其中包含了MS病变细分的两个重权机制.
- 在聚合过程中,基于细分性能,为每个本地节点实现了可学习的权重.
- 引入了对每个客户的细分损失函数的重新加权,考虑到训练期间的损伤体积.
主要成果:
- 验证了用于FLMS细分的公共和临床数据集框架.
- 在公开数据集上获得了65.20%和74.30%的casewise和voxelwise子得分.
- 在内部数据集上获得53.66%和62.31%的casewise和voxelwise子得分.
结论:
- 拟议的FL方法显著优于MS病变细分的现有FL方法.
- 重权机制有效地解决了联合神经图像分析中的数据异质性.
- 开发的FL框架实现了与集中培训相美的性能,证明了其有效性.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.3K
04:25Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
Published on: December 15, 2023
2.5K
