基于密集对比的联合学习,用于医疗图像上的密集预测任务

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 深度学习 (DL) 模型需要大量的数据,由于隐私问题,在医疗保健中经常难以获取.
• 联合学习 (FL) 允许在不共享敏感患者数据的情况下进行协作模型培训.
• 由于数据异质性导致的客户端漂移阻碍了FL在医疗应用中的性能,特别是在像对象检测这样的密集预测任务中.

研究的目的:

• 提出一种新的联合学习框架,密集的基于对比的联合学习 (DCFL),专门设计用于医学成像中的密集预测任务.
• 为了应对客户漂移在FL设置与异质医疗数据的挑战.
• 在分散的医疗环境中提高对象检测模型的准确性和稳定性.

主要方法:

• DCFL将密集的对比学习集成到FL框架中,以使本地和全球模型目标一致.
• 它最大限度地提高了当地和全球模式之间的代表性协议,以减轻客户漂移.
• 采用多尺度对比表示,通过利用多尺度特征来提高密度目标预测的准确性.

主要成果:

• 在肺结节检测任务上,DCFL在现有FL方法上显示出显著的性能改进.
• 在高度异质的环境中,DCFL在平均平均精度上提高了4.13%.
• 在高度异质的环境中,测试回忆率提高了6.07%,展示了DCFL的有效性.

结论:

• 在医疗密集预测任务中,DCFL为联合学习提供了强大的解决方案,特别是在数据异质性下.
• 拟议的方法有效地协调了本地和全球模型,提高了对象检测性能.
• 在医疗AI中,DCFL代表了保护隐私的协作学习的重大进步.