验证十种联合学习策略,用于从异质来源的多对比图像对图像MRI数据合成
Jan Fiszer1,2, Dominika Ciupek1, Maciej Malawski1,2
1Sano Centre for Computational Medicine, Kraków, Poland.
bioRxiv : the preprint server for biology
|February 24, 2025
概括
联合学习 (FL) 能够实现医学成像的协作深度学习 (DL). 一个新的FedBAdam策略提高了多站点磁共振 (MR) 图像翻译的准确性,并防止模型过拟合.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 医学成像中的深度学习 (DL) 模型需要具有代表性的数据集,这给多站点概括和数据隐私带来了挑战.
- 联合学习 (FL) 提供了去中心化的方法,使协作DL模型培训能够在不共享敏感患者数据的情况下进行.
研究的目的:
- 开发和验证一种新的联合学习 (FL) 战略,用于跨异质多站点数据集的磁共振 (MR) 图像翻译.
- 提高DL模型在合成多对比MR数据中的准确性和稳定性,同时保持患者保密性.
主要方法:
- 引入FedBAdam,一种新的FL聚合策略,包括动量和跳过批量规范化层.
- 从五个机构使用健康和瘤大脑扫描对图像对图像多对比MR翻译的10个FL策略的全面验证.
- 将FedBAdam与个性化 (FedMRI) 和标准FL方法 (FedAvg,FedProx) 的比较.
主要成果:
- 与其他FL策略相比,FedBAdam在多站点,多供应商环境中在平均平方误差和结构相似性指数方面表现出色.
- 通过FedBAdam策略,有效地防止了模型过拟合,并实现了稳定的趋同到没有振荡的最佳参数.
- 提出的方法成功地解决了数据异质性和隐私在联合医疗图像分析中的挑战.
结论:
- FedBAdam代表了医疗图像翻译联合学习的重大进步,提供了更好的准确性和稳定性.
- 该战略在异质的多机构环境中是有效的,为医疗保健中更强大,更保护隐私的人工智能铺平了道路.
- 这项工作突出了定制FL聚合方法的潜力,以克服现实世界医学成像应用中当前方法的局限性.
