渐进蒸与最佳运输为联合不完整的多模式学习的大脑瘤细分的最佳运输

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:

• 多模态磁共振成像 (MRI) 对于脑瘤细分至关重要,但与不完整的数据和集中训练的局限性作斗争.
• 现有的方法经常因为缺少的模式而失败,并且无法有效地利用分布式数据集来进行稳健的模型开发.

研究的目的:

• 在不完整的多模态MRI场景下使用联合学习开发一个强大的脑瘤细分模型.
• 解决在分布式环境中不稳定的本地培训和冲突的模型参数所带来的挑战.

主要方法:

• 提出联邦不完整多模式学习 (FedIML) 框架.
• 引入带有最佳运输 (PLOT) 的渐进蒸框架,包括用于稳定的本地训练的渐进蒸 (MPD) 模式和用于服务器端参数对齐的最佳运输引导模型聚合 (OTMA).
• MPD使用路由机制来实现渐进的,易于硬化的学习,而OTMA则解决了用于兼容参数聚合的最佳传输问题.

主要成果:

• 拟议的FedIML框架与PLOT策略一起,在脑瘤细分方面表现出显著的有效性.
• 与最先进的方法相比,对BraTS-2021数据集的实验显示出更高的性能,特别是在处理不完整的模式和分布式数据方面.

结论:

• 在FedIML框架有效地训练强大的脑瘤细分模型,即使在分布式设置中不完整的多模态MRI数据.
• 通过MPD和OTMA,PLOT框架成功克服了不稳定的本地培训和参数冲突的局限性,提高了整体细分精度.