Hypernetwork-based Personalized Federated Learning for Multi-Institutional CT Imaging

要約

コンピュータ断層撮影（CT）は、侵襲的な検査を行わずに患者の解剖学的情報を提供できる強力な機能により、臨床現場において大きな重要性を持っていますが、その潜在的な放射線リスクは人々の懸念を高めています。CT再構成ではディープラーニングを用いた手法が有望視されていますが、これらのネットワークモデルは通常、特定のスキャンプロトコルから得られた計測データを用いて学習するため、大量のデータを集中的に収集する必要があり、データ領域のシフト、プライバシーに関する懸念が深刻化します。これらの問題を解消するために、本論文では、HyperFedと名付けられたパーソナライズドCT画像のためのハイパーネットワークに基づく連合学習法を提案する。HyperFedの基本的な前提は、各機関の最適化問題は、ローカルデータ適応問題とグローバルCTイメージング問題の2つに分けることができ、それぞれ機関固有のハイパーネットワークとグローバル共有イメージングネットワークによって実現されることである。グローバル共有イメージングネットワークの目的は、異なる機関から安定的かつ効果的な共通特徴を学習することである。施設固有のハイパーネットワークは、個人化された局所CT再構成のためのグローバル共有イメージングネットワークを条件づけるハイパーパラメータを得るために慎重に設計されている。実験によれば、HyperFedはCT再構成において、他のいくつかの最先端手法と比較して競争力のある性能を達成することが示された。HyperFedは、CT画像の品質を向上させ、プライバシーに配慮したデータ共有なしに、異なる機関やスキャナーの個別要求を実現するための有望な方向性であると考えられる。コードは、https://github.com/Zi-YuanYang/HyperFed で公開される予定です。

要約(オリジナル)

Computed tomography (CT) is of great importance in clinical practice due to its powerful ability to provide patients’ anatomical information without any invasive inspection, but its potential radiation risk is raising people’s concerns. Deep learning-based methods are considered promising in CT reconstruction, but these network models are usually trained with the measured data obtained from specific scanning protocol and need to centralizedly collect large amounts of data, which will lead to serious data domain shift, and privacy concerns. To relieve these problems, in this paper, we propose a hypernetwork-based federated learning method for personalized CT imaging, dubbed as HyperFed. The basic assumption of HyperFed is that the optimization problem for each institution can be divided into two parts: the local data adaption problem and the global CT imaging problem, which are implemented by an institution-specific hypernetwork and a global-sharing imaging network, respectively. The purpose of global-sharing imaging network is to learn stable and effective common features from different institutions. The institution-specific hypernetwork is carefully designed to obtain hyperparameters to condition the global-sharing imaging network for personalized local CT reconstruction. Experiments show that HyperFed achieves competitive performance in CT reconstruction compared with several other state-of-the-art methods. It is believed as a promising direction to improve CT imaging quality and achieve personalized demands of different institutions or scanners without privacy data sharing. The codes will be released at https://github.com/Zi-YuanYang/HyperFed.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL