Unifying and Personalizing Weakly-supervised Federated Medical Image Segmentation via Adaptive Representation and Aggregation

要約

タイトル：適応的表現と集約による弱教師付きフェデレーテッド医療画像セグメンテーションの統一とカスタマイズ

要約：
– フェデレーテッド学習（FL）は、データプライバシーとセキュリティを犠牲にすることなく、複数のサイトで協力して強力なディープモデルをトレーニングできるようにする。
– 統計的異質性（非IIDデータやドメインシフトなど）は、FLにおいて重要な障害であり、グローバルモデルの汎用性能を低下させる。
– 疎に教師付けを行う弱教師付きセグメンテーションは、注釈費用を削減する可能性の大きなため、注目されつつある。
– ただし、異なる注釈形式がサイト間で存在するため、ラベルの異質性がある可能性がある。
– 本論文では、医療画像セグメンテーションのための新しい個人化FLフレームワークであるFedICRAを提案する。
– FedICRAは、適応的対照表現と集約を介して異質な弱教師付きデータを均一に利用する。
– 個人化モデルを促進し、混乱を回避するために、サイト対照表現モジュールを使用して適応的にクラスター化し、サイト間の埋め込みを分離する。
– グローバルモデルからの一般的な知識と、各ローカルモデルのユニークな知識を効果的に統合するために、適応的集約モジュールが要素レベルで適用される。
– さらに、マルチスケールツリーエネルギーロスとゲート付きCRFロスを利用する弱い教師付き目的関数が使用され、より正確な擬似ラベルを生成し、セグメンテーション性能をさらに向上させる。
– 異なるモダリティの2つの異なる医療画像セグメンテーションタスク上の広範な実験により、提案されたFedICRAは、そのパフォーマンスが、最新の個人化FL方法を超えて圧倒的に高いことを示している。そのパフォーマンスは、中央集権的なデータの完全に教師付きトレーニングに近づいている。コードとデータはhttps://github.com/llmir/FedICRAで利用可能。

要約(オリジナル)

Federated learning (FL) enables multiple sites to collaboratively train powerful deep models without compromising data privacy and security. The statistical heterogeneity (e.g., non-IID data and domain shifts) is a primary obstacle in FL, impairing the generalization performance of the global model. Weakly supervised segmentation, which uses sparsely-grained (i.e., point-, bounding box-, scribble-, block-wise) supervision, is increasingly being paid attention to due to its great potential of reducing annotation costs. However, there may exist label heterogeneity, i.e., different annotation forms across sites. In this paper, we propose a novel personalized FL framework for medical image segmentation, named FedICRA, which uniformly leverages heterogeneous weak supervision via adaptIve Contrastive Representation and Aggregation. Concretely, to facilitate personalized modeling and to avoid confusion, a channel selection based site contrastive representation module is employed to adaptively cluster intra-site embeddings and separate inter-site ones. To effectively integrate the common knowledge from the global model with the unique knowledge from each local model, an adaptive aggregation module is applied for updating and initializing local models at the element level. Additionally, a weakly supervised objective function that leverages a multiscale tree energy loss and a gated CRF loss is employed to generate more precise pseudo-labels and further boost the segmentation performance. Through extensive experiments on two distinct medical image segmentation tasks of different modalities, the proposed FedICRA demonstrates overwhelming performance over other state-of-the-art personalized FL methods. Its performance even approaches that of fully supervised training on centralized data. Our code and data are available at https://github.com/llmir/FedICRA.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI