PCRFed:个性化联合学习与对比表示,用于非独立且相同分布的医疗图像细分
Shengyuan Liu1, Ruofan Zhang2,3, Mengjie Fang4
1Department of Electronic Engineering, The Chinese University of Hong Kong, Hong Kong, 999077, China.
Visual computing for industry, biomedicine, and art
|March 28, 2025
概括
本研究介绍了PCRFed,这是一种用于医学成像的联合学习 (FL) 框架,可以在没有额外的通信成本的情况下改善非IID数据的个性化模型性能. PCRFed增强了数据隐私,并在医疗应用中实现了卓越的细分结果.
科学领域:
- 医学成像分析 医学成像分析
- 机器学习 机器学习
- 数据 隐私 数据 隐私 数据
背景情况:
- 联合学习 (FL) 为医疗图像分析中的数据隐私提供了解决方案.
- 不独立且同样分布 (非IID) 的数据跨站点对FL模型聚合和性能构成挑战.
- 现有的FL方法在异构的医疗数据集中努力平衡全球性能与个体客户需求.
研究的目的:
- 提出一个新的个性化对比表示FL框架 (PCRFed),以应对医疗图像分析中的非IID挑战.
- 在FL环境中改善单个客户端模型性能,而不会增加通信开销.
- 提高分散的医疗成像数据集中的隐私保护和模型准确性.
主要方法:
- 开发了一个个性化的对比表示FL框架 (PCRFed).
- 集成的对比表示学习来解决非IID数据分布.
- 引入了一个加权的模型对比损失,用于本地模型规范化和优化.
- 动态调整本地客户端-全球模型距离以提高个性化性能.
主要成果:
- 在两个非IID医疗图像细分数据集上,PCRFed的性能优于最先进的FL框架.
- 与现有方法相比,在保持隐私的同时,实现了更高的单个客户端性能.
- 在多中心数据集上显示前列腺细分的平均子得分增加了2.63%.
- 展示了适应各种编码器-解码器细分架构的适应性.
结论:
- PCRFed框架有效地解决了联合医疗图像分析中的非IID挑战.
- PCRFed 提高了个性化的模型性能和隐私保护,同时降低了通信成本.
- 拟议的方法对于需要分散数据分析的现实世界医疗应用具有重大潜力.
