联合脑瘤细分:一个广泛的基准
Matthis Manthe1, Stefan Duffner2, Carole Lartizien3
1INSA Lyon, Universite Claude Bernard Lyon 1, CNRS, Inserm, CREATIS UMR 5220, U1294, F-69621 Lyon, France; INSA Lyon, CNRS, Universite Claude Bernard Lyon 1, Centrale Lyon, Université Lumière Lyon 2, LIRIS, UMR5205, F-69621 Villeurbanne, France.
Medical image analysis
|July 26, 2024
概括
联合学习方法在脑瘤细分上进行了基准测试,显示标准方法表现良好,其中一些变化提供了轻微的改进和减少数据偏差. 这项研究探讨了用于医学成像分析的联合学习.
科学领域:
- 医疗图像分析 医学图像分析
- 医疗保健中的人工智能
- 保护隐私的机器学习保护隐私
背景情况:
- 联合学习 (FL) 正在获得医学成像中的引力,用于多中心数据聚合,同时保持隐私.
- 现有的FL计划分为全球,个性化和混合方法.
- 这些FL方案在联邦脑瘤细分2022 (FeTS2022) 数据集上的表现仍然未被探索.
研究的目的:
- 在全球,个性化和混合类别中进行广泛的联合学习算法的基准,用于大脑瘤细分.
- 在FeTS2022数据集上评估各种FL方法的适用性和性能.
- 在这种情况下,研究数据分布 (IID和有限的数据集) 对FL绩效的影响.
主要方法:
- 在FeTS2022数据集上对各种联合学习算法 (全球,个性化,混合) 的基准测试.
- 评估标准联邦平均化 (FedAvg) 和先进的FL技术.
- 在独立和相同分布 (IID) 和有限数据分布场景下分析FL性能.
主要成果:
- 标准FedAvg在FeTS2022任务上表现强.
- 每个类别中的某些FL方法比FedAvg.提供了边际性能增长.
- 一些先进的FL技术显示出减轻对主导数据分布的模型偏差的潜力.
- 联合学习行为通过IID和有限数据分布分析进一步理解.
结论:
- 联合学习是多中心脑瘤细分的可行方法,具有超越标准方法的性能提升潜力.
- 选择FL策略和数据分布显著影响模型性能和偏差.
- 这一基准为在医学成像任务中应用联合学习提供了有价值的见解.
