利用联合学习改进基于深度学习的磁共振图像重建的多机构合作

1、原文

Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning.

https://ieeexplore.ieee.org/document/9578476  

2、摘要

快速准确的磁共振重建来自欠采样数据的(MR)图像在许多临床应用中都很重要。近年来，基于深度学习的方法已被证明可以在MR图像重建上产生卓越的性能。然而，这些方法需要大量的数据，由于获取成本高和医疗数据隐私法规的原因，这些数据难以收集和共享。为了克服这一挑战，我们提出了一种基于联邦学习(FL)的解决方案，在该解决方案中，我们利用了不同机构可用的MR数据，同时保护了患者的隐私。然而，由于域转移，使用FL设置训练的模型的泛化性仍然可能不是最理想的，这是由于在具有不同传感器、疾病类型和采集协议等的多个机构收集的数据造成的。出于规避这一挑战的动机，我们提出了一种用于MR图像重建的跨站点建模，其中学习的不同源站点之间的中间潜在特征与目标站点的潜在特征分布对齐。进行了广泛的实验以提供有关FL用于MR图像重建的各种见解。实验结果表明，所提出的框架是利用多机构数据而不损害患者隐私来实现改进的MR图像重建的有希望的方向。我们的代码可在https:github.comguopengfFL。

3、正文

-------------------------------------------------------------------

-----------------------------------------------------------------

----------------------------------------------------------------

-----------------------------------------------------------------

-----------------------------------------------------------------

----------------------------------------------------------------

------------------------------------------------------------------

4、结论

我们提出了一个基于FL的框架来利用多以保护隐私的方式进行MR图像重建任务的机构数据。为了解决协作期间的域转移问题，我们引入了一种跨站点建模方法，该方法提供监督以对齐每个本地实体中源域和目标域之间的潜在空间分布，而无需直接共享数据。通过对四个具有不同特征的数据集的广泛实验，证明了所提出的方法能够实现更好的泛化。此外，我们展示了基于FL框架下多机构合作在MR图像重建任务中的好处。致谢。VishalM.Patel得到了美国国家科学基金会赠款1910141的支持。这项工作部分得到了美国国立卫生研究院(R01CA248077)的资助。

5、参考文献

---------------------------------------------------------------------