Jun, 2024

不同脑疾病和 MRI 模态下的客户数据库联邦学习的可行性

PDF
TL;DR使用分割模型对脑部病变进行 MRI 分割的研究表明，采用联邦学习的方法可以训练一个单一的模型，该模型能够在包含不同脑部病理和 MRI 模态的分布式数据库中进行有效分割，具有可行性和有效性。
segmentation modelsbrain lesionsmri modalitiesfederated learningdiverse brain diseases
发现论文，激发创造
  • 基于不同脑部疾病和模态的 MRI 数据库联合学习的可行性和益处

    通过联合训练多模态 MRI 数据库的不同脑病理学和模态集合，能够实现对训练过程中遇到的病理分割和新型病理的分割，并且提供实际的好处，该方法为今后的研究方向提供了有用的指导。

    May, 2024

  • 多模态联邦学习在非 IID 数据集上用于癌症分期与不平衡特征的研究

    使用机器学习 (Machine Learning, ML) 和联邦学习 (Federated Learning, FL) 框架对医学影像进行癌症分期已引起了广泛的关注，并可以克服患者数据曝露的隐私问题。本文介绍了一种新颖的 FL 架构，可适应数据样本的异质性和基于机构的数据模态的不均匀性，通过分布式梯度融合和感知客户权重策略解决了跨多个数据模态的收敛速度差异挑战，并使用 The Cancer Genome Atlas 程序 (TCGA) 数据集进行实验证明方法的优越性。

    Jan, 2024

  • 不共享病人数据的多机构深度学习建模：基于脑肿瘤分割的可行性研究

    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

  • 基于分布式联邦学习的隐私 MRI 脑瘤检测深度学习模型

    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

  • FedMM：计算病理学中具有模态异质性的联邦多模态学习

    提出并评估了一种名为 FedMM 的联邦多模态学习框架，该框架通过联邦训练多个单模态特征提取器来增强后续分类性能，以解决计算病理学中多模态信息融合的隐私问题。

    Feb, 2024

  • 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

  • 跨临床站点改进多发性硬化症病变分割：一种具有抗噪训练的联邦学习方法

    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

  • MRI 重建的跨模态纵向联邦学习

    本研究提出了基于多源数据共享的交叉模态垂直联邦学习框架，使用一种新的基于约束的特征分离方法来减轻模态差异带来的领域漂移问题，实现了多模态数据的利用和 MRI 重建的性能提升。

    Jun, 2023

  • 医学影像中数据和模型异质性的联邦学习

    本文提出了一种名为 MDH-FL 的方法，利用数据和模型的异质性，通过知识蒸馏和对称损失来提高联邦学习中全局模型的效率，实验证明该方法在医学数据集上比现有方法表现出更好的优越性。

    Jul, 2023

  • 基于云的联邦学习框架用于 MRI 分割

    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