FedDP:双个性化在联邦医疗图像细分中的双个性化

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医学图像分析 医学图像分析

背景情况:

• 通用联合学习 (GFL) 难以跨站点数据异质性.
• 个性化联合学习 (PFL) 调整模型以适应单个站点分布,但往往忽略了自我注意力机制和预测不一致性.
• 现有的PFL方法缺乏利用预测不一致性表明的地点独特性的方法.

研究的目的:

• 引入FedDP,这是一个用于联合学习的新型双个性化方案.
• 通过解决功能和预测方面的问题来增强模型个性化,以改善图像细分.
• 利用自我注意网络和预测不一致性,以更好地适应异质数据.

主要方法:

• 设计了一个本地查询 (LQ) 来解查询嵌入层,从而实现特征分布适应的私人培训.
• 拟议的不一致性指导校准 (IGC) 以利用跨站点预测不一致性用于模型学习度.
• 实施了对具有较大不一致性的像素的惩罚机制,以根据本地网站量身定制预测级模式.

主要成果:

• 在两个医疗图像细分任务上,FedDP始终超过了最先进的PFL方法.
• 双个性化方法改善了模型适应独特的特征分布和预测模式.
• 实验证明了LQ和IGC在提高图像细分性能方面的有效性.

结论:

• 对于医疗图像细分的个性化联合学习,FedDP提供了显著的进步.
• 双个性化策略通过考虑特征和预测级别来有效地解决数据异质性.
• 提出的方法为改善PFL在现实应用中的性能提供了一个强大的框架.