FedFTN: Personalized Federated Learning with Deep Feature Transformation Network for Multi-institutional Low-count PET Denoising

要約

低カウント PET は放射線被曝と取得時間を短縮する効果的な方法ですが、再構成された画像では信号対雑音比 (SNR) が低いことが多く、診断やその他の下流タスクに影響を与えます。
最近の深層学習の進歩により、低カウント PET 画像の品質向上に大きな可能性が示されていますが、患者データのプライバシーとセキュリティの懸念により、堅牢なモデルをトレーニングするために複数の機関から大規模で一元化された多様なデータセットを取得することは困難です。
さらに、施設ごとに低カウント PET データのデータ分布が異なる可能性があるため、個別化されたモデルが必要になります。
以前のフェデレーテッド ラーニング (FL) アルゴリズムでは、ローカル データを集約する必要なく複数施設の共同トレーニングが可能ですが、複数施設の低カウント PET ノイズ除去の適用における大きな領域の変化に対処することは依然として課題であり、まだ十分に検討されていません。
この研究では、これらの課題に対処するパーソナライズされたフェデレーション ラーニング戦略である FedFTN を提案します。
FedFTN は、ローカルのディープ特徴変換ネットワーク (FTN) を使用して、グローバルに共有されるノイズ除去ネットワークの特徴出力を調整し、各施設向けにパーソナライズされた低カウント PET ノイズ除去を可能にします。
フェデレーテッド ラーニング プロセスでは、ノイズ除去ネットワークの重みだけが通信および集約され、FTN は特徴変換のためにローカル機関に残ります。
私たちは、3 つの大陸にまたがる 3 つの医療センターからの多施設の低カウント PET イメージング データの大規模データセットを使用してこの手法を評価し、FedFTN が高品質の低カウント PET 画像を提供し、世界中の以前のベースライン FL 再構成手法を上回るパフォーマンスを示しました。
3 つの機関すべてですべての低カウント レベル。

要約(オリジナル)

Low-count PET is an efficient way to reduce radiation exposure and acquisition time, but the reconstructed images often suffer from low signal-to-noise ratio (SNR), thus affecting diagnosis and other downstream tasks. Recent advances in deep learning have shown great potential in improving low-count PET image quality, but acquiring a large, centralized, and diverse dataset from multiple institutions for training a robust model is difficult due to privacy and security concerns of patient data. Moreover, low-count PET data at different institutions may have different data distribution, thus requiring personalized models. While previous federated learning (FL) algorithms enable multi-institution collaborative training without the need of aggregating local data, addressing the large domain shift in the application of multi-institutional low-count PET denoising remains a challenge and is still highly under-explored. In this work, we propose FedFTN, a personalized federated learning strategy that addresses these challenges. FedFTN uses a local deep feature transformation network (FTN) to modulate the feature outputs of a globally shared denoising network, enabling personalized low-count PET denoising for each institution. During the federated learning process, only the denoising network’s weights are communicated and aggregated, while the FTN remains at the local institutions for feature transformation. We evaluated our method using a large-scale dataset of multi-institutional low-count PET imaging data from three medical centers located across three continents, and showed that FedFTN provides high-quality low-count PET images, outperforming previous baseline FL reconstruction methods across all low-count levels at all three institutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google