FedIA: Federated Medical Image Segmentation with Heterogeneous Annotation Completeness

要約

フェデレーテッド ラーニングは、特にプライバシーへの懸念の高まりを考慮して、医療画像セグメンテーションの魅力的なパラダイムとして浮上しています。
ただし、既存の研究のほとんどは、クライアント間でのアノテーションの均一性と完全性に関する比較的厳格な仮定に依存しています。
これとは対照的に、この論文では、医療現場で蔓延している課題、つまり不完全なアノテーションを強調しています。
このようなアノテーションにより、誤ってラベル付けされたピクセルが導入され、教師あり学習におけるニューラル ネットワークのパフォーマンスが損なわれる可能性があります。
この問題に取り組むために、FedIA という新しいソリューションを導入します。
私たちの洞察は、不完全なアノテーションをノイズの多いデータ (\textit{つまり、低品質のデータ) として概念化し、その悪影響を軽減することに重点を置くことです。
まず、設計された指標を使用して、クライアント レベルでアノテーションの完全性を評価します。
その後、より包括的なアノテーションを使用してクライアントの影響力を強化し、不完全なアノテーションの修正を実装することで、モデルが正確なデータに基づいてトレーニングされるようにします。
私たちの方法の有効性は、広く使用されている 2 つの医療画像セグメンテーション データセットに対する優れたパフォーマンスによって検証され、既存のソリューションを上回ります。
コードは https://github.com/HUSTxyy/FedIA で入手できます。

要約(オリジナル)

Federated learning has emerged as a compelling paradigm for medical image segmentation, particularly in light of increasing privacy concerns. However, most of the existing research relies on relatively stringent assumptions regarding the uniformity and completeness of annotations across clients. Contrary to this, this paper highlights a prevalent challenge in medical practice: incomplete annotations. Such annotations can introduce incorrectly labeled pixels, potentially undermining the performance of neural networks in supervised learning. To tackle this issue, we introduce a novel solution, named FedIA. Our insight is to conceptualize incomplete annotations as noisy data (\textit{i.e.}, low-quality data), with a focus on mitigating their adverse effects. We begin by evaluating the completeness of annotations at the client level using a designed indicator. Subsequently, we enhance the influence of clients with more comprehensive annotations and implement corrections for incomplete ones, thereby ensuring that models are trained on accurate data. Our method’s effectiveness is validated through its superior performance on two extensively used medical image segmentation datasets, outperforming existing solutions. The code is available at https://github.com/HUSTxyy/FedIA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google