一个高度通用的联合学习算法用于脑瘤细分
Jun Wen1, Xiusheng Li2, Xin Ye3
1School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu, China. wenjun@uestc.edu.cn.
Scientific reports
|July 1, 2025
概括
这项研究引入了用于脑瘤细分的新联合学习方法,在有限的数据上提高了准确性. 这种方法提高了医疗保健AI中的模型概括性,尽管数据不平衡.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 机器学习 机器学习
背景情况:
- 脑图像细分对于诊断和治疗计划至关重要.
- 联合学习 (FL) 允许协作人工智能模型培训,同时保护患者数据.
- 数据不平衡和医疗数据集的稀缺性阻碍了AI模型的性能.
研究的目的:
- 提出一个客户端脑瘤图像细分模型,使用虚拟对抗训练 (VAT) 在3D U-Net.
- 解决医疗成像联合学习环境中的数据稀缺和不平衡问题.
- 通过有效的聚合策略,提高联合模型的通用性.
主要方法:
- 将虚拟对抗培训 (VAT) 集成到 3D U-Net 架构中,以实现客户端细分.
- 开发FedHG,一个使用公共验证数据集权重的联合模型聚合策略.
- 在培训期间将实例规范化参数纳入客户端模型.
主要成果:
- 与基线FL相比,拟议的算法在脑瘤细分的子相似度系数 (DSC) 中取得了2.2%的改善.
- 该模型显示,与集中培训相比,绩效下降的幅度仅为3%.
- 该方法有效地提高了细分精度和模型在数据稀缺和不平衡的情况下的概括性.
结论:
- 拟议的联合学习方法与VAT和FedHG有效地提高了脑瘤图像细分的准确性和概括性.
- 这种方法为医疗保健中的AI提供了实际解决方案,特别是在医疗数据有限或不平衡的场景中.
- 该研究强调了联合学习与强大的医疗人工智能应用先进培训技术相结合的潜力.
