FedRS:可靠监督下的联合学习,用于不一致标签的多器官细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 多器官细分通常需要大型,完全标记的数据集.
• 由于隐私问题,医疗图像数据通常是分散的,并且由于高的注释成本,部分标记,导致标签不一致.
• 联合学习可以实现保护隐私的分散培训,但与标签不一致性作斗争,导致模式分歧.

研究的目的:

• 为多器官细分提出一种有效和沟通效率高的联合学习方法.
• 解决分散的医疗图像数据集中标签不一致的问题.
• 提高医疗图像细分中的联合学习模型的准确性和概括能力.

主要方法:

• 开发了可靠监督下的联合学习 (FedRS),具有更少忘记和更少约束的损失功能,以减少本地模型的分歧.
• 实施基于本地和全球模型之间的预测一致性的全球模型聚合策略.
• 利用轻量级模型骨干 (4.1M参数) 来最大限度地降低通信成本.

主要成果:

• 与本地化,集中化和最先进的联合学习方法相比,FedRS在9个公共3D腹部CT数据集上表现出优异的性能.
• 该方法在联邦内和联邦外的数据集上实现了强大的有效性和概括能力.
• 由于其高效的模型架构,FedRS显著降低了通信成本.

结论:

• 在联邦医疗图像细分中,FedRS有效地处理标签不一致.
• 拟议的方法提高了全球模型的可靠性,并实现了最先进的性能.
• 联邦医疗图像分析系统 (FedRS) 为分散的医疗图像分析提供了一种通信效率高的解决方案.