联合模式特定编码器和部分个性化融合解码器用于多模式脑瘤细分
Hong Liu1, Dong Wei2, Qian Dai3
1National Institute for Data Science in Health and Medicine, Xiamen University, Xiamen, 361005, Fujian, China; Tencent Jarvis Lab, Tencent, Shenzhen, 518075, Guangdong, China.
Medical image analysis
|August 27, 2025
概括
这项研究介绍了FedMEPD,这是多式医学成像的联合学习 (FL) 框架. 它有效地处理缺少的数据模式,并允许个性化模型,优于现有方法.
科学领域:
- 人工智能
- 医学成像
- 机器学习
背景情况:
- 现有的联合学习 (FL) 方法在多模式医学成像中经常失败,原因是参与者之间缺少数据模式.
- 在医疗图像协作分析中,多种模式的异质性和个性化模型的需求带来了重大挑战.
研究的目的:
- 提出一个新的联合学习框架,FedMEPD,解决多模式医疗图像分析中的多样性和个性化.
- 开发一个能够训练全球模型的系统,即使参与者有不完整的成像模式.
主要方法:
- FedMEPD使用模式特定的编码器和部分个性化的多模式融合解码器.
- 有完整模式数据的中央服务器融合了表示,而有不完整模式的客户端则使用交叉关注来与全球线保持一致.
- 通过根据参数更新差异动态调整解码器过器来实现个性化.
主要成果:
- 在2018年和2020年多模式脑瘤细分基准上,FedMEPD表现出卓越的表现.
- 该框架有效地处理了多式联运异质性,优于现有的多式联运和个性化FL方法.
- 经过验证,FedMEPD的新设计组件能够有效地提高模型的训练和性能.
结论:
- FedMEPD为多模式医学成像中的联合学习提供了强大的解决方案,适应数据异质性.
- 提出的方法成功地平衡了对个体参与者的个性化洞察力的全球模型的需求.
- 这一框架提升了联合学习对复杂,现实世界的医学成像场景的适用性.
