Apr, 2022

CXR-FL: 基于深度学习的胸部 X 射线图像分析使用联邦学习

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • COVID-19 胸部 X 光图像的联邦学习实验

    在 COVID-19 识别方面，人工智能发挥着重要作用，特别是结合计算机视觉和深度学习技术可以帮助确定感染 COVID-19 的情况，然而，没有患者的特定医疗相关数据，深度学习方法在检测 COVID-19 时可能会缺乏足够的数据样本。因此，联邦学习是一种可以解决这个问题的方法，该论文提出了在 COVID-19 数据训练方面使用联邦学习的想法，并进行了实验验证其有效性。此外，作者还使用了四个流行模型（MobileNet，ResNet18，MoblieNet 和 COVID-Net）进行对比分析，结果表明联邦学习框架相较于未使用框架的模型能够更好地检测 COVID-19。

    Jul, 2020

  • 诊断 COVID-19 的安全联邦学习方法

    通过 HIPAA 合规模型和联邦学习方法进行 COVID-19 诊断，使用可视化技术强调胸部 X 射线中暗示 COVID-19 阳性诊断的关键特征。

    Jan, 2024

  • 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

  • 集成联邦学习：一种协作性肺炎诊断方法

    通过集成联邦学习方法，在医疗图像数据集隐私保护的前提下，在胸部 X 线图像中取得了 96.63％的准确度，并在文献中与其他方法取得了相当竞争性的结果。

    Dec, 2023

  • 基于联邦学习的深度学习磁共振图像重建的多机构合作

    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。

    Mar, 2021

  • 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

  • 把握差距：联邦学习拓宽诊断 AI 模型的领域泛化

    通过评估训练策略、网络架构、泛化性能、图像发现、数据集大小和数据集多样性对 610,000 例胸部 X 光片的诊断表现进行了评估，并发现在培训数据量方面，本地训练具有更高的域内性能，而合作培训在域外任务方面更具优势。因此，联邦学习可以增强人工智能模型的诊断隐私、可重复性和域外可靠性，并潜在地优化医疗结果。

    Oct, 2023

  • 医疗人工智能模型的非均匀标签协同训练

    本论文提出了一种新的框架 —— 灵活的联邦学习（FFL），可用于协作训练医疗图像分析的大型、异质标记数据集，研究表明，使用 FFL 训练的模型优于仅使用匹配标记训练的模型。

    Nov, 2022

  • 使用来自中国、意大利和日本的多国数据进行胸部 CT COVID 区域分割的联邦半监督学习

    本研究提出了联邦半监督学习技术来解决不同临床数据中存在的域偏移问题，以利用所有可用数据进行 COVID-19 胸部 CT 图像分析和自动诊断，并证明该技术有效性。

    Nov, 2020