Oct, 2023

脑部肿瘤分割中的集群联邦个性化整脑成像

PDF
TL;DR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。
发现论文，激发创造
  • 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

    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

  • 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

  • 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

  • 联邦肿瘤分割（FeTS）挑战赛

    这篇文章介绍了首个联邦学习挑战 —— 联邦肿瘤分割（FeTS）挑战赛 2021，其目标是通过使用来自 BraTS 2020 挑战赛和远程医疗机构的磁共振成像（MRI）扫描的数据，开发出对内在异质性（在外观、形状和组织学上）的脑肿瘤的分割模型，并评估其泛化性能。

    May, 2021

  • 具有个性化和共享组件混合的医疗联合模型

    本文提出了一种新的个性化联邦学习框架来解决异构医疗数据在多个医院之间协作训练神经网络时的降级问题，并设计了差异性稀疏正则化器和降低计算成本的方法来提高计算效率，最后通过实验证明该方法可以获取最佳模型性能和高达 60％的通信效率改进。

    Jun, 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

  • 通过本地校准个性化联邦医学图像分割

    本文引入局部校准，利用特征和预测层次的跨机构不一致性，提出了一种个性化联邦学习框架 (LC-Fed)，用于提高医学图像分割的性能。对三个不同模态的任务，我们的方法始终比最先进的个性化 FL 方法表现更优。

    Jul, 2022

  • 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

  • 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