医疗图像数据的分发信息共享联合学习方法
1Guangdong Key Laboratory of Intelligent Information Processing, College of Electronics and Information Engineering, Shenzhen University, Shenzhen, China.
Complex & intelligent systems
|June 26, 2023
概括
联邦学习在医疗保健中与非IID数据作斗争. 一种新的方法,FedDIS,共享数据分布,以提高医疗图像分类性能,同时保护患者的隐私.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 联合学习 (FL) 对于跨场景至关重要,例如医疗保健,因为隐私利益.
- 非独立和相同分布 (非IID) 数据是FL的一个常见挑战,降低了模型性能.
- 当前的FL算法在应用于异构的医疗数据集时面临性能退化.
研究的目的:
- 提出一种新的联合学习方法,FedDIS,以解决医疗图像分类中的非IID问题.
- 通过局部数据增强,通过减少客户之间数据异质性来提高FL性能.
- 保持患者隐私,同时实现有效的数据分布共享.
主要方法:
- 变量自编码器 (VAE) 的联合培训,以学习数据分布.
- 在客户之间共享编码数据分布信息.
- 使用基于共享分布信息的VAE解码器增加本地数据集.
- 以联合的方式使用联合本地和增强数据来训练最终的分类模型.
主要成果:
- 拟议的FedDIS方法显著提高了非IID数据集的联合学习性能.
- 实验证明了对阿尔茨海默病MRI数据集和MNIST分类的有效性.
- FedDIS成功地减轻了因数据异质性而导致的性能下降.
结论:
- 在非IID条件下,FedDIS为医疗成像中的联合学习提供了有效的解决方案.
- 该方法平衡了性能改进与必要的患者隐私保护.
- 分布信息的共享是克服佛罗里达州数据异质性的可行策略.
