非IID医疗图像细分基于各种多中心场景的级联扩散模型

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 联合学习 (FL) 在多中心医疗数据集中面临挑战,原因是数据异质性和隐私问题.
• 现有的FL方法与非独立且相同分布 (非IID) 数据扎,并产生高通信成本.

研究的目的:

• 提出一个实用的隐私保护框架,用于培训非IID医疗图像细分模型在多中心设置中,通信开销较低.
• 减轻数据异质性,提高医疗保健中联合学习的效率.

主要方法:

• 开发了一种高效的级联扩散模型来生成合成图像-面具对,解决数据异质性.
• 实施了标签构建模块,以提高生成数据的质量.
• 建议的聚合方法 (CD-Syn,CD-Ens,CD-KD) 适用于不同的场景,平衡效率,隐私和准确性.

主要成果:

• 与基线FednnU-Net相比,该框架在五个非IID医疗数据集中实现了平均5.38%的Dice得分改善.
• 在实用的多中心环境中证明有效性,对隐私和准确性的要求各不相同.
• 成功地降低了通信成本,同时保持了高性能.

结论:

• 拟议的隐私保护框架为使用联合学习进行非IID医疗图像细分提供了灵活和有效的解决方案.
• 级联扩散模型和新的聚合策略显著提高了模型性能和数据实用性.
• 这种方法为安全和高效地利用多中心医疗数据提供了一个实用的途径.