Multi Institution Deep Learning Modeling Without Sharing Patient Data

最新推荐文章于 2019-12-09 15:18:10 发布

ML_NI_CSU

最新推荐文章于 2019-12-09 15:18:10 发布

阅读量536

点赞数

分类专栏： Material Informatics # Louris 文章标签： Distributed Learning Deep Learning

本文链接：https://blog.csdn.net/lj695242104/article/details/103222995

版权

类型	说明
论文信息	Multi-Institutional Deep Learning Modeling Without Sharing Patient Data: A Feasibility Study on Brain Tumor Segmentation Micah J Sheller, G Anthony Reina1, Brandon Edwards, Jason Martin, and Spyridon Bakas
解决的问题	隐私保护下非数据共享的分布式深度学习系统
系统结构
方法名称	Federated Learning (FL)
方法说明	1.owner不用分享数据，仅仅本地训练得到model，进而将得到的modell更新给中心服务器 2.中心服务器将各站点上传的更新权重取平均进行聚合 3.中心服务器分发聚合更新后的权重给各个站点
超参数	1.每轮训练的周期(Epochs per round, EpR) 2.每轮训练的参与者数量 3.模型更新压缩/剪枝方法
对比现在方法	1.Cyclic Institutional Incremental Learning (CIIL) 2.Institutional Incremental Learning (IIL)
Model	U-Net
数据	BraTS多模态数据，取FLAIR单模态训练
实验	单站点Data-sharing分布，模拟多站点分布，现实的BraTs分布
1	BraTs分布上的实验结果
2	基准测试–Dice Coefficient：

关注

专栏目录