本文通过引入局部统计批量规范化（BN）层，提出了一种新的联邦学习方法，使得深度学习架构能够进行协作训练，但同时具有针对多中心数据异质性的鲁棒性和不共享中心特定层激活统计信息以降低信息泄漏风险的能力。此方法在 Camelyon16 和 Camelyon17 数据集的肿瘤组织学图像块分类中表现出较好的传输学习效果，相对于之前现有技术并有很大的优势。

Aug, 2020

本研究提出了FedSM框架，以避免客户端漂移问题并成功解决中心化训练的泛化差距，为医学图像分割任务提供了一种新方法。同时，提出了个性化的联邦学习目标制定和新方法SoftPull来解决它。在深度联邦学习的现实医学图像分割实验中验证了我们提出方法的有效性。

Mar, 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

通过引入基于高斯混合模型的客户端噪声估计，将其以逐层的方式纳入模型聚合，从而提高高质量客户端的权重，我们提出了一种名为FedA^3I的注释质量感知的联邦学习聚合方法，该方法优于现有的处理跨客户端注释噪声的方法。

Dec, 2023

我们首次提出了开放式复合域适应（OCDA），明确考虑组织病理学领域内的异质性，并引入两阶段分离框架来获取图像和实例层面的领域不变特征表示，以解决核心问题。实验证明我们的方法在各种不同数据集的跨模态和跨染色情况下优于最先进的无监督域自适应和OCDA方法。

Jan, 2024

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

提出了一种新的基于不确定性正则化的半监督学习方法，利用像素级标注的有限性和图像预测不确定性来改进分割模型，通过多尺度和多阶段特征融合实现了更好的性能。

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

通过对10种聚合技术在9个临床相关任务中的全面测试分析，结果显示领域特定的基于自我监督学习的模型比基于ImageNet的模型在聚合方法方面表现更好，但空间感知的聚合器仅在使用基于ImageNet预训练模型时才显著提高性能。同时，没有单一模型在所有任务中表现优秀，空间感知模型也不如预期一般表现卓越，这些发现强调了对更具适应性和普适性的聚合技术的需求，以指导未来临床病理学中医学人工智能不断发展的需求。

Jul, 2024