Dec, 2023

主动学习引导的联邦在线适应：在医学图像分割中的应用

PDF
TL;DR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。
data privacymedical image analysisonline adaptationfederated learningactive learning
发现论文，激发创造
  • 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

  • 跨领域手术图像分割的客户端 - 服务器深度联邦学习

    本文提出了一种适用于二维外科图像分割的跨域适应解决方案，明确考虑不同中心分布式数据集的隐私保护问题，通过构建客户端 - 服务器深度联邦架构，利用不变的参数和区分不同域的客户端特定参数实现了解决数据共享难题并取得了更好的实验结果。

    Jun, 2023

  • 医学图片分析的联邦学习：一项调查

    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

  • 联邦对抗领域自适应

    本文研究了联邦学习在分布式设备网络上的数据隐私和效率问题。我们提出了一种有原则的方法来解决联邦域自适应问题，旨在通过扩展对抗适应技术来对齐不同节点学习到的表征与目标节点数据分布。同时，我们设计了一个动态注意机制和利用特性解缠来增强知识转移。在几个图像和文本分类任务上进行了实证实验，并在无监督联邦域自适应设置下展示了有前途的结果。

    Nov, 2019

  • 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

  • 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

  • 多模态数据上的纵向联邦阿尔茨海默病检测

    这篇论文介绍了一种能够在分布式数据上训练的符合 HIPAA 规范的框架，并提出了一个用于阿尔茨海默病（AD）检测的多模态垂直联邦模型。这种垂直联邦模型能够在不违反 HIPAA 所施加的隐私限制的情况下，实现跨不同源医学数据的协同学习，并利用多种数据模态提高 AD 检测的稳健性和准确性。该研究旨在通过使用垂直联邦学习，提供一个框架使医疗机构能够利用分布式数据集中蕴含的集体智慧，而不会损害患者隐私。

    Dec, 2023

  • FedER：通过经验回放和隐私保护数据合成的联邦学习

    本文提出一种基于体验回放和生成对抗网络思想的联合和分散学习策略，名为 FedER，它可以在保持隐私的同时整合本地节点的特征，提供能够横跨多个数据集的模型，以实现对结核和黑色素瘤分类的准确诊断

    Jun, 2022

  • 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