本文研究采用差分隐私技术以保护病人数据在联邦学习架构中的隐私泄露问题。在对 BraTS 数据集上的脑瘤分割进行实验后，我们发现隐私保护代价与模型性能之间存在权衡。

Oct, 2019

研究使用联邦学习在医学影像领域快速收敛和更好的表现，解决数据集中医疗隐私和数据所有权问题，并探索其在脑肿瘤分割问题上的应用。

Feb, 2022

针对不同机构使用不同扫描仪和获取参数引起的特征漂移问题，我们提出了一种新颖的个性化算法，通过计算每个中心的一系列放射状特征，再进行聚类分析汇总所有传输自本地机构到中央服务器的特征向量，从而优化从经典联合学习获得的全局模型。

Oct, 2023

利用 Federated Data Model (FDM) 方法开发了一种能够在不同地点之间训练准确且注重隐私的人工智能模型的方法，通过扩散模型学习一处地点的数据特征，并生成可用于其他地点的合成数据，成功地应用于医学图像分割任务。

Mar, 2024

提出了一种联邦学习框架，可以安全地访问和元分析任何医学数据，探究神经系统疾病的关系。该框架在合成数据和多中心和多数据库的研究中进行了测试，表明了在分布式分析多中心队列中的进一步应用的潜力。

Oct, 2018

本研究通过创新性地使用联邦学习方法，解决数据隐私和高效疾病诊断的双重挑战，以提高医学图像分类的准确性和效率，展示了联邦学习在磁共振成像（MRI）脑肿瘤检测中的应用效果，并强调了解决数据异质性的重要性和拓展联邦学习在医学图像分析中的研究方向。

Apr, 2024

本文综述了联邦学习在医学图像分析中的最新发展，介绍了联邦学习在处理隐私保护和协作学习问题方面的背景和动机，分类总结了现有的联邦学习方法，并提供了目前联邦学习研究的基准医学图像数据集和软件平台的回顾，同时进行了实验以评估联邦学习方法在医学图像分析中的应用。

Jun, 2023

本文提出了一种适用于二维外科图像分割的跨域适应解决方案，明确考虑不同中心分布式数据集的隐私保护问题，通过构建客户端 - 服务器深度联邦架构，利用不变的参数和区分不同域的客户端特定参数实现了解决数据共享难题并取得了更好的实验结果。

Jun, 2023

本研究提出了一种面向农村医疗机构的脑组织分割新框架，采用深度强化学习环境与本地部署的细化模型相结合。该框架通过有限数据集的训练，验证了其在多样性场所的分割准确性，使得平均准确率达到 92%。

Mar, 2024

比较协作学习中的联邦学习和基于共识的方法，研究在医学图像领域中共识范式作为典型训练任务的替代方案的可行性。

Sep, 2023