研究分布式学习,用于在头部MRI图像中自动检测病变
Aiki Yamada1,2, Shouhei Hanaoka3, Tomomi Takenaga3
1Department of Medical Engineering, Graduate School of Science and Engineering, Chiba University, 1-33 Yayoi-Cho, Inage-Ku, Chiba, 263-8522, Japan. aiki-yamada@chiba-u.jp.
Radiological physics and technology
|July 24, 2024
概括
分布式学习,包括联合式学习,与开发用于脑成像的计算机辅助检测 (CADe) 软件的集中式方法相匹配或超过. 这种方法为医疗AI的多机构数据利用提供了一个可行的策略.
科学领域:
- 医疗成像中的人工智能
- 机器学习用于医疗保健
- 放射学和医学诊断 医学诊断
背景情况:
- 计算机辅助检测 (CADe) 软件开发通常依赖于大型,多样化的数据集.
- 集中式学习需要汇总数据,引发隐私和后勤方面的担忧.
- 分布式学习为多机构AI开发提供了一个保护隐私的替代方案.
研究的目的:
- 评估分布式学习策略,包括联合学习和周期性权重转移,用于CADe软件开发.
- 为了比较分布式学习与使用多机构数据集的集中式方法的性能.
- 评估分布式学习对脑动脉瘤和脑转移检测的适用性.
主要方法:
- 实施联合学习和周期性权重转移用于CADe软件培训.
- 使用多机构数据集,图像扫描仪和场强度的变化.
- 分布式学习绩效与集中式发展策略的比较.
主要成果:
- 分布式学习策略实现了与集中式策略相等或更好的绩效.
- 最佳的分布式学习方法因具体的CADe软件目标而有所不同.
- 证明了分布式学习的可行性,用于跨机构开发医学成像AI.
结论:
- 分布式学习是开发多机构CADe软件的竞争性和潜在优势战略.
- 联合学习和循环重量转移对保护隐私的医疗人工智能充满希望.
- 选择分布式学习方法应根据具体的应用量身定制.
