PathFL: Multi-Alignment Federated Learning for Pathology Image Segmentation

要約

複数のセンター全体での病理学の画像セグメンテーションは、イメージングモダリティ、臓器、スキャン機器などの不均一性の多様なソースのために重要な課題に遭遇します。
この論文では、画像、特徴、およびモデル集約の3レベルのアライメント戦略を通じてこれらの課題に対処する病理学の画像セグメンテーションのための新しいマルチアライメントフェデレート学習フレームワークであるPathflを提案します。
まず、画像レベルでは、クライアント間でスタイル情報交換を促進することにより、共同スタイルの強化モジュールがローカルデータを調整および多様化します。
第二に、フィーチャレベルでは、適応機能アライメントモジュールにより、ローカル機能にグローバルな洞察を注入することにより、表現空間に暗黙のアライメントが保証され、不均一なクライアント機能学習全体の一貫性が促進されます。
最後に、モデル集約レベルでは、層状の類似性の類似性を使用して、クライアントの不一致を説明し、グローバルな一般化を強化するためにレイヤー固有の類似性を使用して、モデル集約レベルで、サーバー上のモデルを階層的に整列させ、集約します。
クロスソース、クロスモダリティ、クロスオルガン、およびクロススキャナーのバリエーションを含む、4つの異種病理学画像データセットに関する包括的な評価は、データの不均一性に対するより良いパフォーマンスと堅牢性を達成するためのPATHFLの有効性を検証します。

要約(オリジナル)

Pathology image segmentation across multiple centers encounters significant challenges due to diverse sources of heterogeneity including imaging modalities, organs, and scanning equipment, whose variability brings representation bias and impedes the development of generalizable segmentation models. In this paper, we propose PathFL, a novel multi-alignment Federated Learning framework for pathology image segmentation that addresses these challenges through three-level alignment strategies of image, feature, and model aggregation. Firstly, at the image level, a collaborative style enhancement module aligns and diversifies local data by facilitating style information exchange across clients. Secondly, at the feature level, an adaptive feature alignment module ensures implicit alignment in the representation space by infusing local features with global insights, promoting consistency across heterogeneous client features learning. Finally, at the model aggregation level, a stratified similarity aggregation strategy hierarchically aligns and aggregates models on the server, using layer-specific similarity to account for client discrepancies and enhance global generalization. Comprehensive evaluations on four sets of heterogeneous pathology image datasets, encompassing cross-source, cross-modality, cross-organ, and cross-scanner variations, validate the effectiveness of our PathFL in achieving better performance and robustness against data heterogeneity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google