对于COVID-19CT图像细分的联合半监督学习方法

科学领域:

• 医疗图像分析 医学图像分析
• 医疗保健中的人工智能
• 联合学习是联合学习.

背景情况:

• COVID-19 CT 图像细分至关重要,但由于数据稀缺和隐私问题而受到挑战.
• 有限的标记数据和大量的未标记数据的有效利用是一个关键问题.
• 机构间的合作受到数据隐私保护要求的阻碍.

研究的目的:

• 为COVID-19CT图像细分提出创新的联合半监督学习方法 (FSSLCIS).
• 解决医疗图像分析中有限的标记数据和数据隐私的挑战.
• 为了提高COVID-19 CT细分的准确性和效率.

主要方法:

• 实施了联邦半监督学习方法 (FSSLCIS).
• 使用MixMatch进行本地半监督学习,并增强数据以生成伪标签.
• 采用了MixUp策略,将标记和未标记的数据结合起来.
• 在服务器端应用加权聚合来处理数据分布不平衡.

主要成果:

• 拟议的FSSLCIS方法在三个真实世界数据集上表现出了卓越的性能.
• 在COVID-19 CT图像细分精度方面取得了显著的改进.
• 在联合学习过程中成功确保数据隐私.

结论:

• FSSLCIS是COVID-19CT图像细分的有效方法,特别是在有限的标记数据中.
• 该方法提高了模型学习能力和细分精度.
• 带有半监督技术的联合学习为保护隐私的医疗图像分析提供了可行的解决方案.