一个统一所有模型:多对比MRI合成的个性化联合学习
Onat Dalmaz1, Muhammad U Mirza1, Gokberk Elmas1
1Department of Electrical and Electronics Engineering, Bilkent University, Ankara 06800, Turkey; National Magnetic Resonance Research Center (UMRAM), Bilkent University, Ankara 06800, Turkey.
Medical image analysis
|February 25, 2024
概括
针对MRI合成的联合学习 (pFLSynth) 通过专注于单个站点和任务来提高模型的概括性,克服数据异质性的挑战. 这种个性化的方法提高了医疗成像合成多机构合作的可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 联合学习 (FL) 能够在分散的数据集上进行人工智能模型的协作训练,这对于大规模的医学成像研究至关重要.
- 机构间的数据异质性对MRI合成中传统FL模型的概括性构成重大挑战.
- 现有的FL方法在成像站点内和在成像站点之间与域移动作斗争,限制了可靠的源到目标对比翻译.
研究的目的:
- 引入针对MRI合成的个性化联合学习方法 (pFLSynth),解决数据异质性问题.
- 提高MRI合成模型在多机构环境中的可靠性和通用性.
- 实现有效的多任务和多站点培训,以改善医疗图像翻译.
主要方法:
- 开发了pFLSynth,这是一个个性化的FL方法,利用具有新型个性化块的对抗模型.
- 个性化块控制功能地图统计数据,基于特定网站和任务的潜在变量.
- 实施部分网络聚合,培训早期发电机阶段,并在当地实现效率和专业化的区分器.
主要成果:
- 与之前的联合方法相比,pFLSynth在MRI合成中表现出卓越的性能和可靠性.
- 该方法在各种网站和合成任务中实现了高度的概括性.
- 实验证实了特定地点和任务模型专业化的有效性.
结论:
- pFLSynth为联合MRI合成提供了强大的解决方案,有效地减轻了数据异质性.
- 个性化联合学习增强了模型的专业化,从而提高了多机构医学成像研究的可靠性和概括性.
- 这种方法促进了更有效的协作研究和AI模型的开发,用于医学图像翻译.
