Oct, 2023

基于联邦学习的狭窄检测框架

PDF
TL;DR本研究探讨了联邦学习在冠状动脉造影图像（CA）中用于狭窄检测的应用。研究使用两个异构数据集，分别来自意大利 Ancona 市的 Ospedale Riuniti 医院和前期研究的文献中的成像数据。使用 Faster R-CNN 模型进行狭窄检测，并通过联邦平均（FedAvg）对模型背骨权重进行共享。结果显示，联邦学习框架对第二客户端的性能影响不大，而对第一客户端，与本地模型相比，性能提升了分别为 + 3.76％，+17.21％和 + 10.80％，P_rec 为 73.56，Rec 为 67.01，F1 为 70.13。这些结果表明，联邦学习可实现不同机构之间相关的自动狭窄检测的多中心研究，同时保护患者隐私。
federated learningstenosis detectioncoronary angiography imagesfaster r-cnn modelperformance assessment
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

  • 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

  • 使用集成学习的多血管冠状动脉分割和狭窄定位

    通过机器学习解决方案，该研究提出了一种用于冠状动脉造影图像的自动诊断的端到端解决方案，旨在在冠状动脉血管的多血管分割和狭窄病变定位方面进行基准测试。

    Oct, 2023

  • 揭示联邦学习在心血管疾病检测中的承诺与挑战：一项范围文献综述

    心血管疾病（CVD）是全球死亡的主要原因，早期检测可显著改善患者预后。机器学习（ML）模型可以帮助早期诊断 CVD，但其性能受到模型训练所使用数据的限制。隐私问题使得在医疗保健领域获取准确的 ML 模型训练数据更加困难。联邦学习（FL）是一种新兴的机器学习方法，它允许在不损害个体数据所有者隐私的情况下，使用来自多个信息源的数据进行模型训练。本综述文献对 CVD 检测中联邦学习的最新技术现状进行了概述。我们回顾了各种文献中提出的不同 FL 模型，并讨论了其优点和挑战。我们还将 FL 与传统集中式学习方法进行了比较，并强调了在模型准确性、隐私和数据分布处理能力方面的差异。最后，我们对 CVD 检测中 FL 的当前挑战和限制进行了批判性分析，并讨论了未来研究的潜在方向。总体而言，本综述旨在全面介绍 CVD 检测中联邦学习的最新技术现状，并凸显其提高 CVD 检测模型准确性和隐私保护的潜力。

    Aug, 2023

  • 皮肤病变分类的联邦主动学习框架

    我们提出了一个联邦主动学习（FedAL）框架，通过在医学图像分析中周期性和交互式地执行主动学习，从而减少标注数据量、保护患者隐私，并保持联邦学习的性能。在真实的皮肤镜数据集上验证了我们的框架，在只使用 50％的样本的情况下，在皮肤病变分类任务上取得了与全数据联邦学习相媲美的性能。

    Jun, 2024

  • 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

  • 2022 ACR-NCI-NVIDIA 联邦学习挑战中自动乳腺密度分类的公平评估结果

    乳房密度的正确解释对于评估乳腺癌风险很重要。利用人工智能准确预测乳房密度的能力已经得到证明，然而，由于乳房 X 光成像系统的特性差异，使用一个系统的数据构建的模型在其他系统上泛化能力不强。联邦学习已被提出作为一种提高人工智能泛化性能的方法，而无需共享数据，但在联邦学习中如何保留所有训练数据的特征仍然是一个活跃的研究领域。为了探索联邦学习方法，与美国放射学学会，哈佛医学院的 Mass General Brigham，科罗拉多大学，NVIDIA 和国立卫生研究院国家癌症研究所合作举办了乳房密度分类联邦学习挑战赛。挑战参与者可以提交能够在三个模拟的医疗机构上实现联邦学习的 docker 容器，每个机构都包含一个独特的大型乳房 X 光数据集。乳房密度联邦学习挑战赛从 2022 年 6 月 15 日持续到 9 月 5 日，吸引了来自世界各地的七个入围者。获胜的联邦学习解决方案在挑战测试数据上达到了线性 kappa 分数 0.653，并在外部测试数据集上达到了 0.413 的分数，与在一个中心位置训练的模型相当。

    May, 2024

  • 联邦集合 YOLOv5 - 更好的通用物体检测算法

    本文探讨了联邦学习算法在物体检测中的应用及其性能表现，研究表明它不仅是一种增强隐私的算法，同时也能够增强模型性能。

    Jun, 2023

  • 通过概念漂移中的非稳态检测和适应实现在线联邦学习

    本文提出一种多尺度算法框架，该框架结合了 FedAvg 和 FedOMD 算法在接近静态场景下的理论保证，同时采用非静态检测和自适应技术以改善 FL 泛化性能，并给出了多尺度算法框架，在具有广义凸损失函数的情况下，每 T 个回合导致动态后悔的上限为 Tilde {O}(min {sqrt {LT}，Delta^{1/3} T^{2/3} + sqrt {T}})

    Nov, 2022

  • 面向医学图像分类的不均衡和聚合数据分布联邦学习

    采用新的真实数据分布，提出一种名为 FedIIC 的隐私保护框架，该框架通过类内对比学习和共享全局样本的类间对比学习进行特征提取器的校准来缓解训练造成的偏差，并使用考虑难度的逻辑调整构造 softmax 交叉熵损失以确保所有类别的平衡决策边界。在公共可用数据集上的实验表明，FedIIC 在处理两种耦合问题的同时，具有更优越的性能。

    Jun, 2022