模态无意识的联合学习与适应性更新,用于异质医学图像任务

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 联合学习 (FL) 允许在分散的医疗数据上进行协作培训,保护隐私.
• 在成像方式 (CT,MRI) 和任务 (细分,分类) 中的数据异质性限制了FL的采用.
• 现有的FL方法很难为各种医疗数据集创建统一的模型.

研究的目的:

• 提出FedCMT,一种模态不可知FL框架,以解决医学成像中的数据异质性.
• 为了使灵活适应各种输入方式和地方任务在一个联邦网络.
• 加强在FL的医学图像分析方面的协作和通用化.

主要方法:

• 在FedCMT中包含了群智的适配器和个性化解码器,用于模式和任务特定的特征捕获.
• 一个对抗冲突的模块提取了模态不变的表示,减轻了客户端之间的特征冲突.
• 全球到地方的知识蒸平衡了全球的一致性和当地专业化.

主要成果:

• 联邦医疗图像技术 (FedCMT) 证明了稳定性,并促进了跨多种医学成像模式的共享知识.
• 在十个CT和MR数据集上进行评估,最多有八个客户端和各种任务.
• 与最先进的FL基线相比,平均提高了4.76%,与独立培训相比提高了4.01%.

结论:

• FedCMT有效地处理医疗FL中的数据异质性,优于现有方法.
• 该框架支持灵活的输入方式和多样化的本地任务.
• 联邦医疗图像技术 (FedCMT) 显示出对现实世界医学图像分析应用的前景.