相关实验视频
Updated: Jun 5, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
368
基于频域聚合的腹部多器官细分的个性化联合学习
Hao Fu1, Jian Zhang1, Lanlan Chen1
1Department of Automation, School of Information Science and Engineering, East China University of Science and Technology, Shanghai, China.
Journal of applied clinical medical physics
|December 5, 2024
概括
联合学习 (FL) 可以在不共享患者数据的情况下进行深度学习模型的协作训练. 一个新的框架,PAF-Fed,通过选择性地共享参数来改善腹部器官细分,优于现有的FL方法.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 机器学习用于诊断.
背景情况:
- 医学成像的深度学习 (DL) 需要大型,敏感的数据集,这给隐私和注释带来了挑战.
- 联合学习 (FL) 允许在没有直接数据共享的情况下进行协作模式培训,解决隐私问题.
- 现有的FL方法在不同的医疗数据集中与统计异质性作斗争.
研究的目的:
- 为腹部多器官细分引入一种新的个性化联合学习框架 (PAF-Fed).
- 通过选择性地共享参数和保留本地数据分布来增强协作模式培训.
- 改进来自异质医学成像数据集的知识聚合.
主要方法:
- PAF-Fed选择性地共享客户间合作的部分模型参数.
- 保留了本地参数,以学习特定站点的数据分布.
- 富里埃转换与自我注意力聚合低频参数来管理统计异质性.
主要成果:
- 在CHAOS 2019 MRI数据集和私人CT数据集上评估了PAF-Fed框架.
- 在CHAOS数据集中获得了72.65%的平均子相似系数 (DSC).
- 在私人CT数据集上获得了平均85.50%的子相似系数 (DSC).
结论:
- 与最先进的联合学习方法相比,PAF-Fed表现优越.
- 选择性参数共享和富里埃变换聚合有效地处理数据异质性.
- 该框架为保护隐私的医疗图像细分提供了一个有希望的解决方案.
