相关实验视频
Updated: Jul 21, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
442
多机构PET/CT图像细分使用联合深度变压器学习
Isaac Shiri1, Behrooz Razeghi2, Alireza Vafaei Sadr3
1Division of Nuclear Medicine and Molecular Imaging, Geneva University Hospital, Geneva, Switzerland.
Computer methods and programs in biomedicine
|July 28, 2023
概括
联合学习 (FL) 能够为多机构PET/CT细分提供可靠的深度学习,克服数据共享的挑战. FL算法实现了与中央集中的头癌细分方法相提并论的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 针对PET/CT细分的深度学习模型需要大量,多样化的数据集.
- 法律,道德和隐私方面的担忧阻碍了多机构数据的共享.
- 联合学习 (FL) 提供了一个解决方案,可以在没有直接数据共享的情况下进行协作模式培训.
研究的目的:
- 开发和评估用于多机构PET/CT图像细分的联合学习 (FL) 框架.
- 评估各种FL算法的性能与集中式和单中心式方法相比.
- 解决医疗成像中可泛化和可信赖的深度学习方面的挑战.
主要方法:
- 使用了来自六个中心的328名头癌患者的数据集.
- 使用变压器网络进行双通道PET/CT图像细分.
- 七个FL算法 (ClQu,ZeQu,FedAvg,LoCo,RoAg,SeAg,GDP-AQuCl) 与集中和单一中心的基线进行了评估.
主要成果:
- FL算法,特别是SeAg和GDP-AQuCl,实现了与集中方法 (迪斯系数0.80±0.11) 相似的性能.
- 所有FL方法都显示SUVmax和SUVmean的相对误差为<5%,表现优于单中心基线.
- 在大多数FL算法中没有观察到统计学上显著的性能差异.
结论:
- 开发的FL框架显示了PET/CT图像中HN瘤细分的有希望的性能.
- 尽管存在数据隐私限制,但FL能够创建可通用和可信的深度学习模型.
- 联合学习是多机构医学图像分析的可行方法.
