本文提出了一种名为 ELCSF 的新方法，采用连续频率空间插值机制通过保护隐私的方式在客户端间传输分布信息，实现从多个分布式来源域学习联合模型，以便在医学图像分割场景中实现模型泛化，并通过两项医学图像分割任务的实验和深入的剖析实验表明了我们方法的有效性。

Mar, 2021

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

提出一个基于联邦学习的框架SegViz，此框架可从分布式的带有部分标注的数据集中训练出一个分割模型，并且在外部测试集的表现要显著优于其他基准模型和基于中央聚合的模型。

Jan, 2023

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

提出了一种名为Federated Alternate Training (FAT)的替代训练框架，该框架可以使用具有注释数据的数据集和不带注释数据的数据集交错训练，其中不带注释的数据集使用全局分割模型生成伪标签进行自我监督学习，适用于医学成像数据集的隐私保护训练。

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

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

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

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