Feasibility of Federated Learning from Client Databases with Different Brain Diseases and MRI Modalities

要約

MRI における脳病変のセグメンテーション モデルは、通常、特定の疾患向けに開発され、事前定義された一連の MRI モダリティを使用してデータに基づいてトレーニングされます。
このような各モデルは、異なる MRI モダリティのセットのデータを使用して疾患をセグメント化することはできません。また、他の種類の疾患をセグメント化することもできません。
さらに、このトレーニング パラダイムでは、さまざまなタイプの脳病理や MRI モダリティの多様なセットのスキャンやセグメンテーション ラベルが含まれる可能性がある異種データベースからの学習からモデルが恩恵を受けることはできません。
さまざまな脳病理や多様な MRI モダリティのスキャンとラベルを含むクライアント データベース上で単一モデルをトレーニングするために Federated Learning (FL) を使用することは可能ですか?
モデルとトレーニング戦略に対する適切でシンプルかつ実用的な変更を組み合わせることで、有望な結果を実証します。クライアント間で利用可能なモダリティのセット全体をカバーする入力チャネルを備えたモデルを設計し、ランダムなモダリティドロップでトレーニングし、特徴正規化の効果を調査します。
方法。
5 つの異なる疾患を含む 7 つの脳 MRI データベースでの評価では、このような FL フレームワークが単一のモデルをトレーニングできることが示され、トレーニング中に見られるすべての疾患タイプをセグメント化するのに非常に有望であることが示されています。
重要なのは、クライアントのトレーニングとは異なるモダリティのセットを含む新しいデータベースでこれらの疾患をセグメント化できることです。
これらの結果は、FL を使用して、多様な脳疾患や MRI モダリティを含む分散データ上で単一のセグメンテーション モデルをトレーニングすることの実現可能性と有効性を初めて実証しました。これは、異種の現実世界のデータベースを活用するために必要なステップです。
コードは https://github.com/FelixWag/FL-MultiDisease-MRI で利用可能になります。

要約(オリジナル)

Segmentation models for brain lesions in MRI are commonly developed for a specific disease and trained on data with a predefined set of MRI modalities. Each such model cannot segment the disease using data with a different set of MRI modalities, nor can it segment any other type of disease. Moreover, this training paradigm does not allow a model to benefit from learning from heterogeneous databases that may contain scans and segmentation labels for different types of brain pathologies and diverse sets of MRI modalities. Is it feasible to use Federated Learning (FL) for training a single model on client databases that contain scans and labels of different brain pathologies and diverse sets of MRI modalities? We demonstrate promising results by combining appropriate, simple, and practical modifications to the model and training strategy: Designing a model with input channels that cover the whole set of modalities available across clients, training with random modality drop, and exploring the effects of feature normalization methods. Evaluation on 7 brain MRI databases with 5 different diseases shows that such FL framework can train a single model that is shown to be very promising in segmenting all disease types seen during training. Importantly, it is able to segment these diseases in new databases that contain sets of modalities different from those in training clients. These results demonstrate, for the first time, feasibility and effectiveness of using FL to train a single segmentation model on decentralised data with diverse brain diseases and MRI modalities, a necessary step towards leveraging heterogeneous real-world databases. Code will be made available at: https://github.com/FelixWag/FL-MultiDisease-MRI

arxiv情報

提供元, 利用サービス

arxiv.jp, Google