FedGS: Federated Gradient Scaling for Heterogeneous Medical Image Segmentation

要約

ディープ ラーニング (DL) で自動化された医療画像セグメンテーションにおけるフェデレーテッド ラーニング (FL) は、患者データを共有せずに協調的なモデル トレーニングを可能にし、プライバシーの保護に役立ちます。
しかし、フロリダ州は機関間のデータの異質性という課題に直面しており、最適ではないグローバルモデルにつながっています。
FL に分散表現学習 (DRL) を統合すると、データを個別の表現に分離することで堅牢性を強化できます。
既存の DRL 手法では、不均一性はスタイルの特徴のみにあると想定しており、病変のサイズや形状などの内容に基づく変動性は無視されています。
我々は、全体的な有効性を維持しながら、小さく過小評価されているターゲットのセグメンテーション パフォーマンスを向上させる、新しい FL 集約手法である FedGS を提案します。
FedGS は、PolypGen および LiTS データセット全体で、特に小さな病変に対して FedAvg よりも優れたパフォーマンスを示します。
コードと事前トレーニングされたチェックポイントは、次のリンクから入手できます: https://github.com/Trustworthy-AI-UU-NKI/Federated-Learning-Disentanglement

要約(オリジナル)

Federated Learning (FL) in Deep Learning (DL)-automated medical image segmentation helps preserving privacy by enabling collaborative model training without sharing patient data. However, FL faces challenges with data heterogeneity among institutions, leading to suboptimal global models. Integrating Disentangled Representation Learning (DRL) in FL can enhance robustness by separating data into distinct representations. Existing DRL methods assume heterogeneity lies solely in style features, overlooking content-based variability like lesion size and shape. We propose FedGS, a novel FL aggregation method, to improve segmentation performance on small, under-represented targets while maintaining overall efficacy. FedGS demonstrates superior performance over FedAvg, particularly for small lesions, across PolypGen and LiTS datasets. The code and pre-trained checkpoints are available at the following link: https://github.com/Trustworthy-AI-UU-NKI/Federated-Learning-Disentanglement

arxiv情報

提供元, 利用サービス

arxiv.jp, Google