基于模型的联合学习,用于从低采样k空间数据中准确的MR图像重建.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习在磁共振 (MR) 图像重建方面表现出色,但需要大型的多中心数据集,从而引发隐私问题.
• 联合学习 (FL) 允许在没有数据共享的情况下进行多中心培训,但在数据异质性和简单的平均总和方面存在困难.
• 现有的FL方法由于数据的可变性和基本聚合技术,显示出有限的重建和概括能力.

研究的目的:

• 介绍ModFed,一个新的基于模型的联合学习框架,用于强大的MR图像重建.
• 克服现有的FL方法在处理数据异质性和改善模型性能方面的局限性.
• 通过使用保护隐私的技术来提高MR图像重建的准确性和概括性.

主要方法:

• 开发了基于注意力辅助模型的神经网络,以减少对个人客户的数据依赖.
• 实施了自适应动态聚合方案,以减轻数据异质性和提高模型稳定性.
• 整合了空间拉普拉斯注意力机制和个性化的客户端损失,以捕获详细的信息.

主要成果:

• 与六种最先进的FL方法相比,ModFed展示了优越的MR图像重建性能.
• 该框架在三个in-vivo数据集上实现了增强的概括能力.
• 实验结果验证了ModFed在解决数据异质性和改善重建质量的有效性.

结论:

• ModFed提供了一种有效的解决方案,用于使用联合学习来保护隐私的MR图像重建.
• 拟议的适应性聚合和注意力机制显著提高了模型性能和概括性.
• ModFed通过从异构的多中心数据中实现强大而准确的MR图像重建来推动该领域的发展.