在非IID数据分布中使用MRI图像进行脑瘤检测的联合学习框架
M D Zahin Muntaqim1, Tangin Amir Smrity2
1Department of Computer Science and Engineering, Bangladesh Army University of Science and Technology, Saidpur, Nilphamari, 5310, Bangladesh. thesis412@gmail.com.
Journal of imaging informatics in medicine
|March 25, 2025
概括
使用VGG19的联合学习有效地从MRI扫描中检测大脑瘤,即使使用非IID数据. 这种保护隐私的方法实现了高精度,增强了医疗保健中的AI.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 分布式系统 分布式系统
背景情况:
- 通过MRI检测脑瘤对于诊断和治疗至关重要.
- 传统方法面临数据隐私,安全和数据集大小的挑战.
- 联合学习 (FL) 为分散型模型培训提供了一种保护隐私的解决方案.
研究的目的:
- 使用MRI图像实现用于脑瘤检测的联合学习框架.
- 评估VGG19模型在分布式,非IID数据设置中的性能.
- 为了结合临床相关性的可解释性技术 (Grad-CAM).
主要方法:
- 使用了一个客户端-服务器联合学习框架.
- VGG19深度学习模型作为骨干架构.
- 在四个客户端中训练了模型,非IID数据分布.
- 为了模型的可解释性,使用了Grad-CAM.
- 在一个单独的,集中式测试数据集上评估了性能.
主要成果:
- VGG19模型实现了高测试准确率:97.18% (FedAVG),98.24% (FedProx) 和98.45% (脚手架).
- 联合学习在处理分布式和非IID医疗数据方面表现出有效性.
- 尽管数据异质,但该方法保持了高性能.
结论:
- 联合学习是一种可行的和有效的策略,用于保护隐私,通过MRI检测大脑瘤.
- 随着FL和可解释性的增强,VGG19模型显示出临床应用的巨大潜力.
- 这项研究为医疗图像分析中更强大,更安全的AI铺平了道路.
关键词:
在医疗保健中的AI.脑瘤检测 脑瘤检测 脑瘤检测数据隐私 数据隐私分散式的学习学习是分散式的分布式学习是一种分布式学习.联合学习 (FL)医疗保健应用程序的应用程序图像分析 MRI 图像分析磁共振成像 (MRI) 是一种磁共振成像.医学图像 医学图像 医学图像非IID数据的数据保护隐私的AI保护隐私更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
39.7K
10:25Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
Published on: September 25, 2019
47.7K
