摘要

本文介绍了一种名为pFLFE的新型个性化跨领域联邦学习框架，专门用于医疗图像分割。该框架旨在解决医疗数据稀缺和隐私保护的问题，通过在不同医疗机构间利用多样化数据进行训练，同时避免直接访问原始数据。pFLFE框架通过特征增强和监督学习两个主要阶段，有效减少了客户端漂移问题，提高了训练稳定性和分割质量。此外，该框架设计了一种替代训练方法，减少了通信轮次，即使在通信资源有限的情况下也能保持分割质量。实验结果表明，pFLFE在三个医疗分割任务中优于现有最先进的方法。

原理

pFLFE框架的工作原理主要包括两个关键阶段：特征增强和监督学习。在特征增强阶段，框架通过自监督对比学习方法，仅使用正样本进行特征增强，这有助于区分前景和背景特征，同时确保数据隐私。在监督学习阶段，利用增强后的特征进行学习，从分割掩码中提取信息。此外，pFLFE设计了一种快速收敛的框架，通过减少通信轮次，实现了在有限通信资源下的高效训练。

流程

pFLFE框架的工作流程包括四个主要阶段：本地特征增强、全局聚合I、本地监督学习、全局聚合II。首先，通过本地特征增强模块提升本地特征提取能力。接着，在全局聚合I阶段，来自所有客户端的编码器被聚合。然后，在本地监督学习阶段，分割网络在各个客户端上进行细化，从本地数据中提取信息。最后，在全局聚合II阶段，共享细化后的编码器，进一步整合跨客户端的监督学习信息。整个流程通过改进本地特征提取和个性化，实现了高性能和快速收敛，同时无需数据共享，保护了数据隐私。

应用

pFLFE框架在医疗图像分割领域具有广泛的应用前景。由于其能够处理数据异质性、保护隐私并提高训练效率，该框架特别适合于多机构合作的医疗图像分析项目。随着医疗数据隐私法规的日益严格，pFLFE框架的应用将有助于推动跨机构医疗数据分析的发展，提高医疗图像分割的准确性和效率。