FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation

要約

医療画像のセグメンテーションは、医療画像の多様性とラベル付きデータの欠如により困難を極めています。そのため、生データを共有せずにモデルのトレーニングに複数のセンターからの大量のラベルなしデータを活用する連合半教師あり学習 (FSSL) の最近の開発が動機付けられています。
。
ただし、FSSL でまだ調査が進んでいないのは、最適ではないモデル集約とラベルなしデータの利用効率の低下を引き起こし、最終的には目に見えないドメインで満足のいくパフォーマンスが得られない可能性があるドメイン シフトの問題です。
このペーパーでは、これまで無視されてきたこのシナリオ、つまりドメイン一般化連合半教師あり学習 (FedSemiDG) について検討します。これは、モデルが一般化できるように、限られたラベル付きデータと豊富なラベルなしデータを使用して複数のドメインから分散方式でモデルを学習することを目的としています。
目に見えない領域まで。
私たちは、グローバルレベルとローカルレベルの両方で重要な問題に効果的に取り組むことで、FedSemiDG の課題に対処するための新しいフレームワークである Federated Generalization-Aware SemiSupervised Learning (FGASL) を紹介します。
グローバルに、Generalization-Aware Aggregation (GAA) を導入し、汎化パフォーマンスに基づいてローカル モデルに適応的な重みを割り当てます。
ローカルでは、デュアル教師適応型擬似ラベル洗練 (DR) 戦略を使用して、グローバルな知識とドメイン固有の知識を組み合わせて、より信頼性の高い擬似ラベルを生成します。
さらに、摂動不変アライメント (PIA) は摂動下での特徴の一貫性を強制し、ドメイン不変学習を促進します。
3 つの医療セグメンテーション タスク (心臓 MRI、脊椎 MRI、膀胱がん MRI) に関する広範な実験により、私たちの手法が最先端の FSSL およびドメイン汎化アプローチを大幅に上回り、目に見えないドメインで堅牢な汎化を達成できることが実証されました。

要約(オリジナル)

Medical image segmentation is challenging due to the diversity of medical images and the lack of labeled data, which motivates recent developments in federated semi-supervised learning (FSSL) to leverage a large amount of unlabeled data from multiple centers for model training without sharing raw data. However, what remains under-explored in FSSL is the domain shift problem which may cause suboptimal model aggregation and low effectivity of the utilization of unlabeled data, eventually leading to unsatisfactory performance in unseen domains. In this paper, we explore this previously ignored scenario, namely domain generalized federated semi-supervised learning (FedSemiDG), which aims to learn a model in a distributed manner from multiple domains with limited labeled data and abundant unlabeled data such that the model can generalize well to unseen domains. We present a novel framework, Federated Generalization-Aware SemiSupervised Learning (FGASL), to address the challenges in FedSemiDG by effectively tackling critical issues at both global and local levels. Globally, we introduce Generalization-Aware Aggregation (GAA), assigning adaptive weights to local models based on their generalization performance. Locally, we use a Dual-Teacher Adaptive Pseudo Label Refinement (DR) strategy to combine global and domain-specific knowledge, generating more reliable pseudo labels. Additionally, Perturbation-Invariant Alignment (PIA) enforces feature consistency under perturbations, promoting domain-invariant learning. Extensive experiments on three medical segmentation tasks (cardiac MRI, spine MRI and bladder cancer MRI) demonstrate that our method significantly outperforms state-of-the-art FSSL and domain generalization approaches, achieving robust generalization on unseen domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google