联合nnU-Net用于保护隐私的医疗图像细分
Grzegorz Skorupko1, Fotios Avgoustidis2, Carlos Martín-Isla2
1Artificial Intelligence in Medicine Laboratory (BCN-AIM), Departament de Matemàtiques i Informàtica, Universitat de Barcelona, 08007, Barcelona, Spain. grzegorz.skorupko@ub.edu.
Scientific reports
|November 3, 2025
概括
FednnU-Net使用联合学习实现了分散的医疗图像细分,增强了隐私. 这个框架在各种细分任务中实现了高性能,使医疗保健中的AI民主化.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- nnU-Net框架是医疗图像细分的领先工具,但通常需要集中数据,这会给隐私带来风险.
- 集中式培训可能导致敏感患者数据泄露和侵犯隐私.
- 联合学习提供了一种去中心化的方法,可以在保持患者隐私的同时,协作训练模型.
研究的目的:
- 引入FednnU-Net,这是nnU-Net框架的一个联合学习扩展.
- 实现nnU-Net的分散培训,用于医疗图像细分.
- 在医疗AI开发中增强患者隐私.
主要方法:
- 开发FednnU-Net,这是nNU-Net的插件和游戏联合学习扩展.
- 介绍了两种新的联合方法:联合指纹提取 (FFE) 和非对称联合平均 (AsymFedAvg).
- 来自18个机构的乳腺,心脏和胎儿数据集的多模式细分实验.
主要成果:
- 在乳腺,心脏和胎儿细分任务中,FednnU-Net表现出高且一致的性能.
- 提出的联合方法 (FFE和AsymFedAvg) 有效地实现了分散的nnU-Net培训.
- 实验验证实了跨不同数据集和机构的框架的稳定性.
结论:
- FednnU-Net成功地将nnU-Net的功能扩展到分散的,保护隐私的医疗图像细分.
- 该框架通过实现协作式,分散式培训,使先进的AI研究和临床部署实现民主化.
- 公开发布FednnU-Net框架旨在促进在临床环境中更广泛的采用和发展.
