三分支特征金字塔网络基于聚细分的联邦粒子群集优化,用于聚细分
Kefeng Fan1, Cun Xu2, Xuguang Cao2
1China Electronics Standardization Institute, Beijing 100007, China.
Mathematical biosciences and engineering : MBE
|February 2, 2024
概括
联邦粒子集群优化增强了分散的医疗图像分析. 三分支特征金字塔网络 (TFPNet) 确保稳定,快速的融合,以提高深度学习模型的准确性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 深度学习在医学成像中显示出前景,但由于隐私问题,它受到小型数据集的限制.
- 法律和道德约束限制了对医疗数据的访问,阻碍了深度学习应用.
- 有效利用去中心化的医疗数据对于在医疗保健中推进人工智能至关重要.
研究的目的:
- 为医疗图像处理开发一种保护隐私的联合学习方法.
- 提高分散数据利用在联合学习中的效率.
- 提高医学成像中的深度学习模型的稳定性和融合速度.
主要方法:
- 拟议的联邦粒子集群优化 (FPSO) 算法,用于高效的私人模型训练.
- 引入了三分支特征金字塔网络 (TFPNet),以实现稳定的联合学习和快速融合.
- 在四个公共数据集上进行了实验:CVC-ClinicDB,Kvasir,CVC-ColonDB和ETIS-LaribPolypDB.
主要成果:
- 在独立,分散的数据上,FPSO的表现优于单一数据集培训和联邦平均值.
- 与其他模型相比,TFPNet表现出更快的趋同.
- 在医学图像分析中,TFPNet实现了卓越的细分精度.
结论:
- 拟议的FPSO算法有效地解决了隐私问题,并增强了分散的数据利用.
- TFPNet为医学成像中的联合学习提供了稳定高效的架构.
- 这种方法显著提高了医疗图像细分的深度学习模型性能.
