联合学习在异质数据分布中的自我配置医疗对象检测方面的潜力

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 医疗物体检测 (MOD) 需要大量数据集来实现高性能,但隐私法规限制了数据整合.
• 现有的联合学习 (FL) 解决方案对医疗图像分类和细分有希望,但MOD的FL尚未得到充分探索.

研究的目的:

• 提出一个开源的,自我配置的,和任务无意识的联合MOD框架.
• 通过使用公共数据集,在模拟的独立相同分布 (IID) 和非IID场景中评估框架的性能.

主要方法:

• FL框架 Flower 与 nnDetection MOD 框架的整合.
• 实施各种FL聚合策略.
• 创建和分析模拟的IID和非IID数据集,以评估业绩影响.

主要成果:

• 在非IID场景中展示联合自配置MOD的可行性.
• 对影响模型性能的数据集特征的洞察力.
• 促进在大型分布式数据库上训练的MOD模型的开发.

结论:

• 开发的联合MOD框架是有效的,特别是在具有挑战性的非IID环境中.
• 这种方法解决了隐私问题,同时实现了强大的医疗图像分析.
• 该框架支持通过分布式学习创建更可通用的MOD模型.