FL-W3S:用于弱监督的白细胞语义细分的跨领域联合学习
Hussain Ahmad Madni1, Rao Muhammad Umer2, Silvia Zottin1
1Department of Computer Science and Artificial Intelligence, University of Udine, 33100, Italy.
International journal of medical informatics
|January 24, 2025
概括
联合学习 (FL) 通过在不影响数据隐私的情况下实现协作训练来改善不同领域的白细胞细分. 这种方法提高了临床应用中的诊断准确性.
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:
- 临床细分模型与域移动作斗争,导致性能降低.
- 联合学习 (FL) 提供了一个保护隐私的解决方案,用于协作多客户端模式培训.
研究的目的:
- 提出一种跨域FL方法,用于对白细胞进行弱监督语义细分 (FL-W3S).
- 为了实现精确的白细胞细分,只使用图像级别的类标签在一个联合设置.
主要方法:
- 开发了一个多类令牌变压器模型,用于在FL期间学习补丁类关系.
- 利用补丁级变压器的注意力来改进本地化地图,以准确地预测面具.
- 在多个客户端和各种数据分布上训练模型.
主要成果:
- 拟议的FL-W3S方法在两个不同的白细胞数据集上显示出更好的性能.
- 与现有最先进的方法相比,实现了2.56%和1.39%的性能增长.
结论:
- 将FL与白细胞细分相结合,可以提高血液病学和病理学中的诊断准确性和个性化治疗.
- 可实现血液涂抹的自动分析,包括细胞计数,形态分析和疾病诊断.


