数据分布对瘤细分中的联合学习表现的影响
Guibo Luo1, Tianyu Liu1, Jinghui Lu1
1From the Department of Radiology, Massachusetts General Hospital and Harvard Medical School, 25 New Chardon St, 400C, Boston, MA 02114 (G.L., T.L., J.L., W.C.); Intel Corporation, Santa Clara, Calif (X.C.); Department of Statistics and Actuarial Science, The University of Hong Kong, Hong Kong (L.Y.); College of Computer Science and Technology, Zhejiang University, Hangzhou, China (J.W.); and Department of Computer Science and Engineering, University of Notre Dame, Notre Dame, Ind (D.Z.C.).
联合深度学习 (Fed-DL) 在瘤细分中的表现受到数据分布差异的负面影响. 较大的数据分布距离导致CT和MR图像上的Fed-DL模型性能降低.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 联合深度学习 (Fed-DL) 能够在多个机构之间进行协作模式培训,而无需共享原始患者数据.
- 使用CT和MR图像的深度学习进行瘤细分对于诊断和治疗计划至关重要.
- 跨站点数据分布的变化可以显著影响机器学习模型的性能.
研究的目的:
- 研究数据分布差异与用于瘤细分的联合深度学习算法的性能之间的相关性.
- 量化数据异质性对医疗图像分析中的Fed-DL模型准确性的影响.
主要方法:
- 追溯收集了两个Fed-DL数据集:肝脏瘤CT (FILTS) 和脑瘤MR (FeTS).
- 使用地球移动器距离 (EMD),巴塔卡里亚距离 (BD),奇平方距离 (CSD) 和科尔摩戈罗夫-斯米尔诺夫距离 (KSD) 来量化数据分布差异.
- 在分组数据集上培训和评估联合和集中的nnU-Net模型,通过Dice系数比率评估性能.
主要成果:
- 在数据分布距离 (EMD,BD,CSD) 和Fed-DL模型性能 (迪斯系数比,θ) 之间观察到强烈的负相关性.
- 对于EMD,BD和CSD的相关系数分别为-0.920,-0.893和-0.899.
- 科尔莫戈罗夫-斯米尔诺夫距离 (KSD) 与美联储-DL表现的负相关性较弱 (r = -0.479).
结论:
- 对于CT和MRI数据集上的瘤细分的联合深度学习模型的性能与数据分布差异的程度有很强的负相关性.
- 尽量减少数据分布异质性对于优化医疗成像应用中的Fed-DL性能至关重要.
- 像EMD,BD和CSD这样的距离指标是Fed-DL瘤细分任务中潜在性能下降的有效指标.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
相关概念视频
Tumor Immunotherapy
Tumor Progression
Colon cancer is one of the best-documented examples of tumor progression. Early mutation in the APC gene in colon cells causes a small growth on the colon wall called a polyp. With time, this polyp grows into a benign, pre-cancerous tumor. Further...
Cancer Survival Analysis
