FedIOD:通过探索器官间依赖关系,从部分标签进行联合多器官细分

科学领域:

• 医疗图像分析 医学图像分析
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 多器官细分至关重要,但通常需要完全标记的数据.
• 数据隐私问题和不完整的标签阻碍了当前的细分方法.
• 联合学习 (FL) 解决了隐私问题,但部分标签的FL仍未得到充分探索.

研究的目的:

• 为多器官细分开发一个联合学习框架,有效处理部分标签.
• 提出一种方法,通过利用部分标签的器官间依赖来产生伪完全监督.
• 为了在联合环境中增强特征提取,减轻对特定器官的偏见.

主要方法:

• 引入了FedIOD,这是一个单编码器-多解码器框架,用于联合的多器官细分.
• 利用变压器模块来模拟双向器官间的依赖性,并从部分标签中生成伪完整标签.
• 采用伪完整标签进行规范化,以训练共享编码器进行全面的特征提取.
• 每个解码器都接受了对应的部分标签的训练,以将共享的特征投射到特定的器官空间.

主要成果:

• 在五个不同的数据集 (LiTS,KiTS,MSD,BCTV,ACD) 中,FedIOD展示了有效性.
• 通过部分标签进行多器官细分的联合评估中超越了最先进的方法.
• 在联邦以外的评估中获得第二好的表现,展示了强度.

结论:

• 在联合学习环境中,FedIOD成功地解决了使用部分标签的多器官细分的挑战.
• 拟议的器官间依赖模型有效地产生了伪完全监督,提高了细分性能.
• 这一框架为保护隐私的医疗图像细分提供了一个有希望的解决方案,当没有完整的注释时.