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。
このようなモデルでは、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ず、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 パラダイムにより、モデルは、さまざまな脳病理やさまざまな MRI モダリティのスキャンやセグメンテーション ラベルを含む可能性のある異種データベースから学習する利点を活用できなくなります。
さらに、患者データの機密性により中央でのデータ集約が妨げられることが多く、分散型アプローチが必要になります。
Federated Learning (FL) を使用して、さまざまな脳病理および MRI モダリティの多様なセット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のモデルをトレーニング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 FL フレームワークが単一のモデルをトレーニングして、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際に非常に有望な結果を達成でき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 3D 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: https://github.com/FelixWag/FedUniBrain

要約(オリジナル)

Segmentation models for brain lesions in MRI are typically developed for a specific disease and trained on data with a predefined set of MRI modalities. Such models cannot segment the disease using data with a different set of MRI modalities, nor can they segment other types of diseases. Moreover, this training paradigm prevents a model from using the advantages of learning from heterogeneous databases that may contain scans and segmentation labels for different brain pathologies and diverse sets of MRI modalities. Additionally, the confidentiality of patient data often prevents central data aggregation, necessitating a decentralized approach. Is it feasible to use Federated Learning (FL) to train 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 this FL framework can train a single model achieving very promising results in segmenting all disease types seen during training. Importantly, it can segment these diseases in new databases that contain sets of modalities different from those in training clients. These results demonstrate, for the first time, the feasibility and effectiveness of using FL to train a single 3D segmentation model on decentralised data with diverse brain diseases and MRI modalities, a necessary step towards leveraging heterogeneous real-world databases. Code: https://github.com/FelixWag/FedUniBrain

arxiv情報

提供元, 利用サービス

arxiv.jp, Google