Feb, 2022

联邦脑肿瘤分割不同聚合和超参数选择方法的评估与分析

PDF
TL;DR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。
medical imagingai systemsfederated learningdata privacybrain tumor segmentation
发现论文，激发创造
  • 隐私保护的联邦脑肿瘤分割

    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

  • 不共享病人数据的多机构深度学习建模：基于脑肿瘤分割的可行性研究

    本研究介绍了第一个使用联邦学习实现多机构协作、不共享患者数据的深度学习模型，结果表明它在多模态脑扫描的分割方面的性能与共享数据的训练模型相似，在与另外两种合作学习方法的比较中也取得了最佳结果。

    Oct, 2018

  • 脑部肿瘤分割中的集群联邦个性化整脑成像

    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

  • 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

  • 分布式医疗数据库中的联邦学习：大规模亚皮质脑部数据的元分析

    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

  • 手术聚合：用于协调具有不同任务的分布式数据集的联邦学习框架

    通过手术聚合方法，将来自不同疾病标签的分布式数据集的知识聚合和协调成一个 ' 全局 ' 深度学习模型，该研究表明手术聚合具有开发临床有用的深度学习模型的潜力，是从实验室到床边迈进的一步。

    Jan, 2023

  • 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

  • 使用隐私保护联邦学习和领域适应的多站点 fMRI 分析：ABIDE 结果

    本研究提出一种联邦学习方法来解决多中心 fMRI 分类任务中的隐私问题，采用分散式的迭代优化算法并在本地模型权重上实现随机化机制，通过两种域自适应方法来解决不同中心 fMRI 分布的系统性差异，实现了对多组医疗数据隐私保护的高质量分析。

    Jan, 2020

  • 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

  • 医疗领域联邦学习的最新方法论进展

    使用分布式学习方法探索医疗数据的挑战和方法，评估当前方法的系统问题并提出改进建议。

    Oct, 2023