Apr, 2024

使用联邦学习改善基于 GAN 的脂肪抑制的多中心推广能力

PDF
TL;DR利用生成对抗网络（GAN）从非脂肪抑制脉冲序列合成脂肪抑制 MRIs，有助于加快膝关节 MRI 的获取。然而，在单一场地数据训练的 GAN 的普适性较差。我们发现联邦学习可以提高 GAN 合成脂肪抑制 MRIs 的多中心普适性，同时促进保护隐私的多机构协作。
generative adversarial networksynthesisfat suppressed mrisfederated learningprivacy-preserving multi-institutional collaborations
发现论文，激发创造
  • FedMed-GAN: 无监督跨模态脑图像合成的联邦域转换

    本文提出了一种新的基于联邦学习的无监督脑图像生成方法 FedMed-GAN，通过差分隐私梯度下降算法对联邦平均算法的梯度惩罚进行规范，实现了多机构分散数据的集成。与其他集中式方法相比，FedMed-GAN 表现出新的最先进性能。

    Jan, 2022

  • 基于联邦学习的深度学习磁共振图像重建的多机构合作

    本研究提出了一种针对磁共振图像重建的联邦学习解决方案，该方案利用了不同机构可用的磁共振数据，同时保护了患者隐私；为了克服因使用多个机构数据而产生的域移位，提出了一种跨站点建模方法，实验结果表明该方法有望在不影响患者隐私的前提下提高磁共振图像重建的效果。

    Mar, 2021

  • GraphGANFed: 面向高效药物发现的基于图结构分子的联邦生成框架

    本文提出了一种 GraphGANFed 框架，该框架将图形卷积神经网络（GCN）、生成对抗网络（GAN）和联邦学习（FL）作为整体系统来生成新的分子，而不共享本地数据集，实现了数据隐私的保护，并且在三个基准数据集上进行了广泛的模拟，证明了 GraphGANFed 的可行性和有效性。

    Apr, 2023

  • FedGAN：用于分布式数据的联邦生成对抗网络

    本文提出了一种名为 Federated Generative Adversarial Network (FedGAN) 的算法，用于训练分布式非独立同分布数据源的 GAN，并基于周期性同步本地生成器和辨别器以及平均和广播生成器和辨别器参数的中介。我们证明了 FedGAN 在标准假设下，使用随机近似和通信高效的随机梯度下降法，使用相等和两个时间尺度更新生成器和辨别器收敛。我们在玩具示例（2D 系统、混合高斯和瑞士拳击手数据集）、图像数据集（MNIST、CIFAR-10 和 CelebA）以及时间序列数据集（家庭电力消耗和电动汽车充电会话）上实验了 FedGAN。我们展示了 FedGAN 收敛并且具有类似于一般分布式 GAN 的性能，同时可以减少通信复杂性。此外，我们还展示了它对通信减少的鲁棒性。

    Jun, 2020

  • PS-FedGAN: 基于部分共享生成对抗网络的高效联邦学习框架，用于数据隐私保护

    提出了一种名为 PS-FedGAN 的新型联邦学习（FL）框架，通过对 GAN 进行部分共享模型，加强 GAN 的发布和训练机制，从而解决客户端数据的异构性问题，并在降低通信成本的基础上加强隐私保护。

    May, 2023

  • 跨机构联合学习中医疗图像分割通用化缺口的解决

    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

  • 基于 GAN 数据合成的联合学习用于非独立同分布客户端

    该研究提出了一种名为 Synthetic Data Aided Federated Learning (SDA-FL) 的新框架，通过共享人工合成数据来解决客户端数据的不独立和同分布性问题，从而提高本地模型的一致性并改善全局聚合效果。

    Jun, 2022

  • 保持特异性的联邦学习用于医学磁共振图像重建

    本文提出了一种特异性保存的联邦学习算法 (FedMRI)，通过将 MR 重构模型分为全球共享的编码器和客户机特定的解码器，同时在频率空间和图像空间执行，可以在不牺牲客户机特定信息的前提下提高全球模型的泛化能力，在多机构数据上取得了最接近真实值的重建结果，并且优于现有的联邦学习方法。

    Dec, 2021

  • 使用生成对抗网络进行医学图像合成的数据增强和匿名化

    本研究中，我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成 MRI 图像的方法，以产生具有脑肿瘤的合成异常 MRI 图像。结果表明这些合成图像提供两个独特的好处，第一是作为数据增强的一种方式，可以提高肿瘤分割的性能，第二，证明了生成模型作为匿名化工具的价值，通过使用合成数据，实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战，即病理发现的小发生率和患者数据共享的限制，提供了潜在的解决方案。

    Jul, 2018

  • 保持联邦图学习在基于 fMRI 的神经疾病识别中的特异性

    提出了一种具有个性化分支的特异性感知的联邦图学习 (SFGL) 框架，用于静息状态功能磁共振成像 (rs-fMRI) 分析和自动脑疾病识别，通过集中模型聚合和预测，在多个客户 / 站点之间促进知识共享，并保留站点特异性。

    Aug, 2023