Jul, 2024
FedIA: 异构注释完整性的联邦医学图像分割
FedIA: Federated Medical Image Segmentation with Heterogeneous
Annotation Completeness
TL;DR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。