用于医学图像分析的联合学习:一项调查调查
Hao Guan1, Pew-Thian Yap1, Andrea Bozoki2
1Department of Radiology and Biomedical Research Imaging Center, University of North Carolina at Chapel Hill, Chapel Hill, NC 27599, USA.
Pattern recognition
|April 1, 2024
概括
联合学习解决了医学成像中的小样本大小,通过在不共享敏感患者数据的情况下实现跨站点的协作模型培训. 本调查回顾了这种保护隐私的方法中的方法,挑战和机会.
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:
- 医学成像中的机器学习受到小样本大小的阻碍.
- 为了更大的数据集,跨机构共享数据受到隐私问题的限制.
- 联合学习提供了一个解决方案,可以在没有数据共享的情况下进行协作模式培训.
研究的目的:
- 提供医疗图像分析中联合学习方法的全面调查.
- 系统审查2017年至2023年间发表的研究成果.
- 确定当前的挑战和未来的研究机会.
主要方法:
- 在主要的科学数据库 (IEEE Xplore,ACM,PubMed等) 进行系统的文献审查. ) 的情况.
- 基于客户端,服务器端和通信技术的联合学习方法的分类.
- 对基准数据集,软件平台的审查,以及对典型方法的实验性评估.
主要成果:
- 联合学习方法根据系统架构和特定的医学成像问题进行分类和分析.
- 审查了医疗成像学联合学习的现有数据集和软件工具.
- 介绍了对常见的联合学习技术的经验评估.
结论:
- 联合学习是医疗成像中的保护隐私的协作机器学习的有希望的解决方案.
- 该调查强调了当前的研究状况,挑战和未来工作的潜在途径.
- 了解不同的联合学习方法对于推进医学图像分析至关重要.
