UFPS:异构数据分布下部分标注联邦分割的统一框架
本文提出了一种名为 ELCSF 的新方法,采用连续频率空间插值机制通过保护隐私的方式在客户端间传输分布信息,实现从多个分布式来源域学习联合模型,以便在医学图像分割场景中实现模型泛化,并通过两项医学图像分割任务的实验和深入的剖析实验表明了我们方法的有效性。
Mar, 2021
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
该研究提出了一种新型的面向医学图像分割的个性化联邦学习框架FedICRA,利用自适应对比表示和聚合统一利用异构的弱监督信息,通过自适应的聚类和单个元素更新的聚合方式,将全局模型中的公共知识与本地模型中的独特知识相融合,同时减少标注成本,实现了在两个不同模态的医学图像分割任务中超越其他最先进的个性化联邦学习方法的效果。
Apr, 2023
提出了一种名为Federated Alternate Training (FAT)的替代训练框架,该框架可以使用具有注释数据的数据集和不带注释数据的数据集交错训练,其中不带注释的数据集使用全局分割模型生成伪标签进行自我监督学习,适用于医学成像数据集的隐私保护训练。
Apr, 2023
通过将联邦学习与知识蒸馏技术相结合,提出了一种名为ConDistFL的框架,通过合理设计的条件概率表示,从部分标注的数据中提取未标注的器官和肿瘤的知识,解决了训练可泛化模型所面临的数据访问限制的问题。在四个不同的部分标注腹部CT数据集上验证了该框架的有效性,并与基线模型FedAvg和FedOpt进行了比较,实验结果表明该框架明显优于基线模型。此外,对外部测试数据集的性能也表明,与单独训练在每个数据集上的模型相比,该框架具有较高的泛化能力。通过消减频繁聚合的需求,减少了联邦学习的通信成本。
Aug, 2023
通过提出的分离联合学习(IsoFed)方案,本文研究了在半监督联邦学习中有效训练具有带标签和无标签客户端的方法,并在四种不同模态的医学图像数据集上评估了模型性能,并在不同的实验设置下验证了所提出方法的有效性。
Oct, 2023
我们提出了一个个性化的联邦学习框架(FedLPPA),用于医学图像分割,该框架利用不完全监督技术,通过学习提示和聚合来统一利用异构的弱监督数据。
Feb, 2024
开发了分布式医学图像分割模型 (FedFMS),其中包括联邦 SAM (FedSAM) 和用于医学图像的通信和训练高效性的联邦 SAM 适配器 (FedMSA)。通过对各种 FedFMS 配置的多样数据集进行全面实验,发现 FedFMS 可在保持隐私的同时,达到与集中式训练方法相媲美的性能,并且 FedMSA 可提高通信和训练的效率。
Mar, 2024
本论文提出了一种针对医学图像分割的新型联邦半监督学习框架,引入了客户端内和客户端间的一致性学习,通过客户端合作训练的变分自编码器(VAE)协助实现,相比其他联邦半监督学习方法,实验结果表明本方法性能更好且避免了大量的计算和通信开销。
Mar, 2024
在医学影像分割方面,联邦学习已成为一种引人注目的范式,特别是考虑到日益增长的隐私问题。然而,大部分现有的研究都依赖于对客户端注释的一致性和完整性相对严格的假设。相反,本文强调了医学实践中普遍存在的一个挑战:不完整的注释。这些注释可能引入标注错误的像素,潜在地损害监督学习中神经网络的性能。为了解决这个问题,我们提出了一种名为FedIA的新颖解决方案。我们的想法是将不完整的注释概念化为噪声数据(即低质量数据),重点是减轻其负面影响。我们首先使用设计的指标评估客户端注释的完整性。随后,我们增强了具有更全面注释的客户端的影响力,并对不完整的注释进行了修正,从而确保模型在准确的数据上进行训练。通过在两个广泛使用的医学影像分割数据集上展示了我们方法的有效性,优于现有的解决方案。代码可在此https URL获取。
Jul, 2024