FedLPPA:学习个性化提示和聚合,用于联合弱监督的医疗图像细分

科学领域:

• 医学图像分析 医学图像分析
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 联合学习 (FL) 解决了数据孤岛,但与多中心医疗数据异质性作斗争.
• 弱监督学习对于医疗图像细分至关重要,因为注释成本很高.
• 现有的FL范式不充分支持跨站点的多种注释格式.

研究的目的:

• 提出一个新的个性化联合学习框架 (FedLPPA),以利用医疗图像细分中的异质弱监督.
• 为了在联合学习环境中实现不同注释格式的统一处理.
• 通过减轻数据异质性和注释成本,改进深度模型培训.

主要方法:

• FedLPPA使用可学习的通用知识提示符和个性化数据分发提示符.
• 双重注意力机制将提示与适应式解码器的样本功能集成在一起.
• 双解码器策略和可适应的聚合方法增强了伪标签生成和定制任务解码器.

主要成果:

• 在四个不同的医疗图像细分任务中,FedLPPA表现出卓越的性能.
• 该框架有效地适应异质数据分布和各种弱监管格式.
• 性能与完全监督的集中训练非常相匹配,验证了它的有效性.

结论:

• 在弱监督和数据异质性条件下,FedLPPA为联合医疗图像细分提供了强大的解决方案.
• 拟议的框架成功地解决了FL中各种注释格式的挑战.
• 这种方法在减少注释成本和改善医疗AI中的模型概括方面具有显著的前景.