FedDUS:通过联合半监督的动态更新策略对CT图像进行肺瘤细分
Dan Wang1, Chu Han2, Zhen Zhang3
1School of Computers, Guangdong University of Technology, Guangzhou 510006, China.
Computer methods and programs in biomedicine
|April 4, 2024
概括
这项研究引入了一种新的联合半监督学习 (FSSL) 框架,用于肺瘤细分,通过使用数据质量和数量洞察力动态聚合模型来提高准确性. 该方法在多中心试验中表现优于现有的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 肺瘤细分对于诊断和预后至关重要.
- 深度学习有助于自动细分,但面临着诸如有限的注释数据和跨机构数据共享问题等挑战.
研究的目的:
- 开发一种新的联合半监督学习 (FSSL) 框架,以提高肺瘤细分性能.
- 在多中心临床环境中解决数据稀缺性和共享局限性.
主要方法:
- 设计了一个包含动态模型聚合的联合半监督学习 (FSSL) 框架.
- 开发了一个动态更新算法,以优化基于客户端数据质量和数量的模型参数聚合.
- 探索了FAIR数据原则,以改善联合学习网络中的数据可访问性.
主要成果:
- 在六个中心实现了卓越的肺瘤细分性能,得分范围从0.7776到0.9348.
- 已证明的表现超过了传统的深度学习和现有的联合半监督学习方法.
- 验证了动态更新策略在利用客户数据特征方面的有效性.
结论:
- 拟议的FSSL方法显著优于目前用于肺瘤细分的FSSL技术.
- 动态更新策略有效地利用数据质量和数量信息,在临床应用中证明有效.
- 源代码是公开的,以促进进一步的研究和开发.
