基于联邦学习的深度学习磁共振图像重建的多机构合作

CVPRMar, 2021

基于联邦学习的深度学习磁共振图像重建的多机构合作

Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning

PDF

Pengfei Guo, Puyang Wang, Jinyuan Zhou, Shanshan Jiang, Vishal M. Patel

TL;DR本研究提出了一种针对磁共振图像重建的联邦学习解决方案，该方案利用了不同机构可用的磁共振数据，同时保护了患者隐私；为了克服因使用多个机构数据而产生的域移位，提出了一种跨站点建模方法，实验结果表明该方法有望在不影响患者隐私的前提下提高磁共振图像重建的效果。

Abstract

Fast and accurate reconstruction of magnetic resonance (MR) images from under-sampled data is important in many clinical applications. In recent years, deep learning-based methods have been shown to produce superior performance on MR image reconstruction. However, these methods require

magnetic resonance imaging deep learning federated learning cross-site modeling medical data privacy

发现论文，激发创造

保持特异性的联邦学习用于医学磁共振图像重建

本文提出了一种特异性保存的联邦学习算法 (FedMRI)，通过将 MR 重构模型分为全球共享的编码器和客户机特定的解码器，同时在频率空间和图像空间执行，可以在不牺牲客户机特定信息的前提下提高全球模型的泛化能力，在多机构数据上取得了最接近真实值的重建结果，并且优于现有的联邦学习方法。

Dec, 2021

基于分布式联邦学习的隐私 MRI 脑瘤检测深度学习模型

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

乳腺密度分类的联邦学习：一个实际实现

本文研究了在真实的合作环境下使用联邦学习（FL）构建医学成像分类模型。通过对世界各地的七个临床机构的数据进行联邦学习，成功地训练了乳腺密度分类模型，其性能比在机构的本地数据训练的模型平均提高了 6.3％，在其他机构的测试数据上表现出了 45.8％的相对改进。

Sep, 2020

MRI 重建的跨模态纵向联邦学习

本研究提出了基于多源数据共享的交叉模态垂直联邦学习框架，使用一种新的基于约束的特征分离方法来减轻模态差异带来的领域漂移问题，实现了多模态数据的利用和 MRI 重建的性能提升。

Jun, 2023

基于云的联邦学习框架用于 MRI 分割

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

医学图片分析的联邦学习：一项调查

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

CXR-FL: 基于深度学习的胸部 X 射线图像分析使用联邦学习

本篇论文提出并评估了一个名为 CXR-FL 的基于深度学习的联邦学习方法，用于医学影像分析，证明了联邦学习有助于保持模型的泛化能力以及深度学习模型对于肺部分割数据更为敏感，且其在分类方面的性能对于联邦学习的参数选择有一定程度的依赖。

Apr, 2022

通过隐私保护的 MRI 分析推动医疗保健

通过采用 Ensemble-Based Federated Learning（EBFL）框架，该研究实现了用于检测脑瘤的精确和可靠的诊断方法，达到了 94% 的全局模型精度和 96% 的集成模型精度。

Mar, 2024

任务无关的联邦学习

应用自监督学习的联邦学习框架，通过使用 Vision Transformer 作为共识特征编码器进行无监督预训练，能够在各种真实非 IID 医学图像数据集上进行有效的表示学习，为多任务基础建模提供潜在的方法。

Jun, 2024

基于分散且未共享的档案的遥感影像分类的联邦学习

该研究首次在遥感领域对当前最先进的联邦学习算法进行了比较研究，通过系统回顾计算机视觉社区中面向图像分类问题的联邦学习算法，并基于其与客户端之间训练数据异构性的有效性进行选择，对所选算法进行理论比较，并在多样化的分散化情境下通过实验分析其在多标签分类问题上的表现，从而为在遥感领域选择合适的联邦学习算法提供一份指南。

Nov, 2023