基于伪数据的自我监督联合学习用于对组织病理图像的分类
IEEE transactions on medical imaging
|October 10, 2023
概括
这项研究引入了一种新的框架,结合了自我监督学习和联合学习,以增强用于癌症检测的计算机辅助诊断 (CAD) 模型. 该方法通过使用伪数据来克服不同医疗中心的不一致性来提高诊断准确性和概括性.
科学领域:
- 医疗图像分析 医学图像分析
- 计算病理学计算病理学
- 医疗保健中的人工智能
背景情况:
- 癌症的计算机辅助诊断 (CAD) 模型提高了准确性,但由于机构间的数据不一致,难以进行概括.
- 联合学习 (FL) 通过在多个中心培训模型而没有共享原始数据提供解决方案.
研究的目的:
- 提出基于伪数据的自我监督联合学习 (FL) 框架 (SSL-FL-BT),以提高癌症CAD模型的诊断准确性和概括性.
- 为了解决CAD模型的概括性挑战,这些模型在单个中心的遗传病理数据上进行训练.
主要方法:
- 在每个中心生成伪遗传学图像,保留中心特定的属性而无隐私风险.
- 在中央服务器上使用伪图像进行自我监督学习 (SSL),以预训练全球模型骨干.
- 实现多任务SSL,以学习中心特定和常用表示.
- 采用基于巴洛双胞胎的新型FL (FL-BT) 进行对比学习,以改善本地培训和全球模型优化.
主要成果:
- 拟议的SSL-FL-BT框架在诊断准确性和概括能力方面都取得了显著的改进.
- 在四个公共基因病理图像数据集上的实验验证证证了该框架的有效性.
结论:
- 通过利用伪数据,SSL和FL,SSL-FL-BT框架有效地增强了用于癌症诊断的CAD模型.
- 这种方法成功地减轻了多中心本病学图像分析中的概括问题.
