跨模态垂直联合学习用于MRI重建

科学领域:

• 医学成像医学成像
• 机器学习 机器学习
• 联合学习是联合学习.

背景情况:

• 联合学习 (FL) 允许跨医院的协作模式培训,而无需共享原始患者数据.
• 目前的FL方法通常假定统一的数据模式,这是不切实际的,因为医院成像指南各不相同.
• 这种限制限制了FL在现实世界多机构医学研究中的实用性.

研究的目的:

• 为了应对跨模式联合学习的挑战,使用来自多家医院的异质数据.
• 开发一个新的框架,Fed-CRFD,用于增强磁共振成像 (MRI) 重建.
• 为了有效地利用重叠的样本 (相同的患者,不同的治疗方式) 并减轻领域转移问题.

主要方法:

• 拟议的联邦一致规范化受约束特征解 (Fed-CRFD) 框架.
• 实施了客户内部特征解方案,以分离模式不变特征和模式特定特征.
• 引入了跨客户端隐藏表示一致性约束,用于重叠的样本,以对齐跨模式的特征.

主要成果:

• 联邦-CRFD有效地探索重叠样本以促进MRI重建.
• 该框架成功地减轻了由不同的数据模式引起的域转移问题.
• 与最先进的MRI重建方法相比,在两个数据集上表现出更高的性能.

结论:

• 联邦-CRFD为医疗保健中的跨模式联合学习提供了一个强大的解决方案.
• 该方法最大限度地提高了多来源医院数据的实用性,同时解决了模式差异.
• 这种方法对改善协作医疗AI开发和MRI重建精度有重大影响.