多中心隐私保护模型训练用于深度学习脑转移自动分割
本研究介绍了第一个使用联邦学习实现多机构协作、不共享患者数据的深度学习模型,结果表明它在多模态脑扫描的分割方面的性能与共享数据的训练模型相似,在与另外两种合作学习方法的比较中也取得了最佳结果。
Oct, 2018
使用联邦学习框架中的标签修正策略,解决多发地点协作中数据隐私和标签噪声的问题,实现多发地点的合作,提高多发地点数据的可靠性,并在多发地点数据上进行广泛实验证明了方法的有效性和鲁棒性。
Aug, 2023
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
本研究证明了持续学习可以提高数据有限的中心的脑转移识别性能,可以实现多中心协作的点对点联邦学习的可行性,共享中间模型而不是训练数据可以促进深度学习算法的多中心协作。
Apr, 2022
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
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
利用自我监督学习和对比学习的方法,在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型,旨在推进我们对对比学习框架的理解。具体而言,我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官(如肺和心脏)的超声图像以及大量的自然图像。我们的结果表明,与监督基线方法相比,传统的对比学习预训练可以提高性能。此外,我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明,预训练多器官数据可以提高下游任务的性能。
Feb, 2024
本研究提出了一种面向农村医疗机构的脑组织分割新框架,采用深度强化学习环境与本地部署的细化模型相结合。该框架通过有限数据集的训练,验证了其在多样性场所的分割准确性,使得平均准确率达到 92%。
Mar, 2024