针对联合脑瘤细分的偏见弹性客户选择分析
Umme Zahoora1,2, Ahmad Raza Shahid3, Farquleet Farhat Gondal3
1Institute of Space and Technology, Computer Science, Rawalpindi, Pakistan. umme.zahoora@au.edu.pk.
Scientific reports
|October 29, 2025
概括
用弱客户端消除来检测脑瘤的联合学习 (Fed_WCE_BTD) 通过解决数据隐私和机构偏见来改善脑瘤细分. 这种联合学习方法提高了增强瘤和亡的检测准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 由于复杂的解剖学,图像工件和观察者之间的变异性,大脑瘤细分具有挑战性.
- 深度学习,特别是卷积神经网络 (CNN),显示出希望,但需要大量的注释数据集,造成数据隐私问题.
- 联合学习为分散型模型培训提供了一个解决方案,而不需要集中敏感的患者数据.
研究的目的:
- 提出和评估Fed_WCE_BTD,这是一个用于脑瘤细分的新型联合学习框架.
- 解决传统联合学习的局限性,包括机构偏见和低效的客户选择.
- 为了提高自动脑瘤检测和细分的准确性和效率.
主要方法:
- 开发了Fed_WCE_BTD,将修改后的UNet架构与联合学习原则相结合.
- 实施了最佳的自适应客户端选择策略,以提高分布式学习的性能.
- 使用BRATS 2021数据集验证了拟议的方法,考虑了脑瘤切片.
主要成果:
- 与现有方法相比,Fed_WCE_BTD模型在检测增强瘤和亡方面表现出1%的改进.
- 与非联合方法相比,联合学习显著改善了增强瘤细分的子系数 (p<0.05).
- edem 识别实现了与基线相比80%的可比子系数.
结论:
- Fed_WCE_BTD有效地克服了用于脑瘤细分的联合学习中的数据隐私障碍.
- 拟议的自适应客户选择策略提高了分散式学习的性能.
- 这种方法为神经瘤学中计算机辅助诊断提供了可行和准确的解决方案.
