Federated Multi-organ Segmentation with Inconsistent Labels

要約

フェデレーション ラーニングは、異なるデータ所有者間でデータを共有することなく大規模な分散学習を可能にする新たなパラダイムであり、医療画像分析におけるデータ プライバシーの懸念に対処するのに役立ちます。
ただし、既存の方法によるクライアント間でのラベルの一貫性の要件により、その適用範囲が大幅に狭まります。
実際には、各臨床部位は、他の部位と部分的に重複する、または重複しない特定の対象臓器にのみ注釈を付けることができます。
このような部分的にラベル付けされたデータを統合フェデレーションに組み込むことは、臨床的重要性と緊急性を伴う未解明な問題です。
この研究では、複数臓器セグメンテーションに新しいフェデレーテッド マルチエンコーディング U-Net (Fed-MENU) メソッドを使用することで、この課題に取り組みます。
我々の方法では、さまざまなエンコーディングサブネットワークを通じて臓器固有の特徴を抽出するために、マルチエンコーディングU-Net（MENU-Net）が提案されています。
各サブネットワークは、特定の臓器の専門家としてみなされ、そのクライアントのために訓練されています。
さらに、さまざまなサブネットワークによって抽出された臓器固有の特徴が有益で特徴的なものになるようにするために、補助ジェネリック デコーダー (AGD) を設計することで MENU-Net のトレーニングを規則化します。
6 つの公開腹部 CT データセットに対する広範な実験により、Fed-MENU メソッドが、部分的にラベル付けされたデータセットを使用して、局所的学習方法または集中学習方法でトレーニングされた他のモデルよりも優れたパフォーマンスを備えた連合学習モデルを効果的に取得できることが示されました。
ソースコードは https://github.com/DIAL-RPI/Fed-MENU で公開されています。

要約(オリジナル)

Federated learning is an emerging paradigm allowing large-scale decentralized learning without sharing data across different data owners, which helps address the concern of data privacy in medical image analysis. However, the requirement for label consistency across clients by the existing methods largely narrows its application scope. In practice, each clinical site may only annotate certain organs of interest with partial or no overlap with other sites. Incorporating such partially labeled data into a unified federation is an unexplored problem with clinical significance and urgency. This work tackles the challenge by using a novel federated multi-encoding U-Net (Fed-MENU) method for multi-organ segmentation. In our method, a multi-encoding U-Net (MENU-Net) is proposed to extract organ-specific features through different encoding sub-networks. Each sub-network can be seen as an expert of a specific organ and trained for that client. Moreover, to encourage the organ-specific features extracted by different sub-networks to be informative and distinctive, we regularize the training of the MENU-Net by designing an auxiliary generic decoder (AGD). Extensive experiments on six public abdominal CT datasets show that our Fed-MENU method can effectively obtain a federated learning model using the partially labeled datasets with superior performance to other models trained by either localized or centralized learning methods. Source code is publicly available at https://github.com/DIAL-RPI/Fed-MENU.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google