通信高效的联合学习,用于通过知识蒸与图像合成进行多器官细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 联合学习 (FL) 对于CT扫描中的多器官细分非常受欢迎.
• 目前的FL方法需要频繁的参数交换,由于网络的变化和数据传输,这带来了实际挑战.
• 数据异质性,包括客户的部分标签,进一步复杂化了FL的效率.

研究的目的:

• 提出一个高效的沟通方法,以联合学习 (FL) 在多器官细分,特别是解决部分标签.
• 为了减少与传统FL方法相关的通信开销.
• 为了提高FL的准确性和实用性,用于医疗图像细分.

主要方法:

• 实施了一种新的FL方法,将本地模型参数一次传输到中央服务器.
• 使用知识蒸 (KD) 来训练使用本地模型的全球模型.
• 从客户端模型生成合成图像,以减轻KD的数据分布转移.
• 允许使用现有的FL算法进行可选的几轮微调.

主要成果:

• 与标准FL相比,拟议的方法大大减少了通信轮次.
• 通过合成数据生成的知识蒸有效地解决了数据转移.
• 这种方法在很少通信的场景中,比最先进的方法显著提高了性能.
• 对公共数据集的评估证实了拟议方法的有效性.

结论:

• 开发的高效沟通策略增强了多器官CT细分的联合学习.
• 知识蒸和合成数据生成的整合为异质数据和有限的通信提供了实际的解决方案.
• 该方法为分散的医疗图像分析提供了灵活和高性能的替代方案.