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

我们提出了一种名为 DrFRODA 的计算机友好、隐私保护的医学图像分割技术，利用联邦学习以在线方式适应模型，并通过医生的反馈进行改进。我们在公开可用数据集上的实验结果表明，所提出的基于分布式主动学习的在线适应方法优于无监督的在线适应方法，并且与离线主动学习的适应方法具有竞争力的结果。

Dec, 2023

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

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

使用深度神经网络进行磁共振成像（MRI）图像的自动语义分割极大地辅助于评估和规划各种临床应用的治疗。然而，训练这些模型要求具备丰富的注释数据来实施端到端的监督学习过程。即使我们注释了足够多的数据，由于患者、MRI 扫描仪和成像协议的差异等因素，MRI 图像显示出相当大的变异性。这种变异性需要针对每个特定的应用领域重新训练神经网络，而这又需要专业放射科医生对所有新领域进行手动注释。为了减少持久数据注释的需求，我们开发了一种使用多个注释源域进行无监督联邦域自适应的方法。我们的方法使得能够将知识从多个注释源域转移，以使模型在未注释的目标域中有效使用。最初，我们通过最小化目标域和源域的分布的成对距离，使得目标域数据与每个源域在潜在嵌入空间中具有相似的表示，该空间被建模为深度编码器的输出。然后，我们采用集成方法来利用从所有领域获得的知识。我们提供了理论分析，并在 MICCAI 2016 多中心数据集上进行实验证明我们的方法是有效的。

Jan, 2024

本论文提出一种隐私保护的约束域泛化方法，通过在集中式服务端的信息聚合过程中应用新颖的梯度对齐损失，以期提高模型的泛化能力，将训练模型更好地泛化到 “未见过” 的但相关的医学图像

May, 2021

深度学习在医学影像数据分析应用中取得了显著的成功。然而，由于数据分布的差异导致的领域偏移使得深度学习模型在不同扫描仪的不同站点所收集的训练和测试数据上难以实现良好的泛化能力。领域适应作为一种有效手段旨在通过减少医学影像应用中的领域差距来应对这一挑战。本综述针对基于深度学习的医学图像分割领域适应方法进行了重点研究。我们首先介绍领域适应的动机和背景知识，然后全面回顾了医学图像分割中领域适应应用，并最后讨论了该领域的挑战、局限性和未来研究趋势，以促进领域适应在医学图像分割的方法学发展。我们的目标是为研究人员提供关于领域适应在医学图像分割研究中的最新参考文献。

Nov, 2023

介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

Feb, 2021

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