UFPS: A unified framework for partially-annotated federated segmentation in heterogeneous data distribution

要約

部分教師ありセグメンテーションは、ラベルと交差が付けられた分数クラスを含むデータセットに基づくラベル保存方法です。
しかし、プライバシー上の懸念やデータの異質性のため、現実世界の医療アプリケーションへの応用にはまだ程遠いです。
プライバシー漏洩のない救済策として、フェデレーション部分監視セグメンテーション (FPSS) がこの研究で策定されました。
FPSS の主な課題は、クラスの異質性とクライアントのドリフトです。
私たちは、クラス衝突なしで全ポテンシャル グローバル モデルをトレーニングすることにより、部分的にアノテーションが付けられたデータセットのすべてのクラス内のピクセルをセグメント化する統合フェデレーション部分ラベル セグメンテーション (UFPS) フレームワークを提案します。
私たちのフレームワークには、クラス空間と特徴空間をそれぞれ統合するための統合ラベル学習とスパース化された統合シャープネス認識最小化が含まれています。
実証研究によると、部分教師ありセグメンテーションと連合学習における従来の手法のバニラの組み合わせは、主にクラス衝突によって妨げられることがわかりました。
実際の医療データセットに対する私たちの包括的な実験は、修正された方法と比較して、UFPS の衝突解消および一般化能力が優れていることを実証しています。

要約(オリジナル)

Partially supervised segmentation is a label-saving method based on datasets with fractional classes labeled and intersectant. However, it is still far from landing on real-world medical applications due to privacy concerns and data heterogeneity. As a remedy without privacy leakage, federated partially supervised segmentation (FPSS) is formulated in this work. The main challenges for FPSS are class heterogeneity and client drift. We propose a Unified Federated Partially-labeled Segmentation (UFPS) framework to segment pixels within all classes for partially-annotated datasets by training a totipotential global model without class collision. Our framework includes Unified Label Learning and sparsed Unified Sharpness Aware Minimization for unification of class and feature space, respectively. We find that vanilla combinations for traditional methods in partially supervised segmentation and federated learning are mainly hampered by class collision through empirical study. Our comprehensive experiments on real medical datasets demonstrate better deconflicting and generalization ability of UFPS compared with modified methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google