pFedBCC:通过双极协作校准来个性化联合多目标域自适应细分
Huaqi Zhang1, Pengyu Wang2, Jie Liu3
1Department of Information Management, The National Police University for Criminal Justice, Baoding Hebei, China.
Computer methods and programs in biomedicine
|February 16, 2025
概括
这项研究引入了一种用于无监督医疗图像细分的新型联合学习框架,在多类型免疫组织化学分析中实现了卓越的性能,同时保持了数据隐私.
科学领域:
- 人工智能的人工智能
- 医学图像分析 医学图像分析
- 计算生物学 计算生物学
背景情况:
- 多目标域适应 (MTDA) 对于无监督细分至关重要,但在医疗环境中面临数据隐私挑战.
- 联合学习 (FL) 为处理私人,跨机构的医疗数据提供了一个解决方案.
- 现有的FL和域适应方法在无监督的医疗图像细分方面存在局限性.
研究的目的:
- 提出一个个性化的联邦双极协作校准 (pFedBCC) 框架,用于无监督的多类型免疫组织化学 (IHC) 图像细分.
- 解决联合多目标域调整 (FedMTDA) 中的客户端和服务器端漂移挑战.
- 利用未注释的私人客户数据和公共源域模型进行强大的细分.
主要方法:
- 开发了pFedBCC框架,将FL应用到MTDA用于医疗图像细分.
- 引入了基于语义亲和度的个性化标签校准 (SPLC),通过对齐特征和生成个性化的伪标签来减轻客户端预测漂移.
- 实现了以源知识为导向的一致梯度校准 (SCGC),以减少服务器端聚合漂移,使用由源域信息指导的梯度剪切.
主要成果:
- pFedBCC在私营和公共IHC基准上取得了最先进的表现,包括MT-IHC数据集上的88.8%PA和LYON19数据集上的88.4%PA.
- 与所有现有的联合学习和领域适应方法相比,该框架表现出卓越的性能.
- 废弃性研究证实了SPLC和SCGC组件对整体性能的显著贡献.
结论:
- 拟议的pFedBCC框架有效地实现了保护隐私的,无监督的多类型IHC图像细分.
- 在医学图像分析的联合和域调整场景中,pFedBCC显著优于现有方法.
- 该研究引入了一个新的MT-IHC数据集,包含10种类型的超过19,000张图像,促进了该领域的进一步研究.
