摘要

本文介绍了一种名为FedIA的新型联邦学习解决方案，专门针对医疗图像分割中存在的异质性标注完整性问题。在联邦学习（FL）的背景下，由于不同客户端的标注完整性不一，传统的FL方法往往假设标注的统一性和完整性，这在实际应用中并不总是成立。FedIA通过将不完整标注视为噪声数据，旨在减少这些噪声对神经网络性能的负面影响。该方法通过评估客户端标注的完整性，优先考虑具有更完整标注的客户端，并对不完整标注进行校正，从而确保模型在准确数据上进行训练。FedIA在两个广泛使用的医疗图像分割数据集上进行了验证，显示出优于现有解决方案的性能。

原理

FedIA的工作原理基于将不完整标注视为噪声数据，并通过以下步骤减少其影响：

1. 标注完整性评估：首先，FedIA通过设计一个指标来评估每个客户端的标注完整性。这一步骤通过使用一个在早期学习阶段对噪声不敏感的模型来实现。
2. 标注完整性感知聚合：在聚合过程中，FedIA优先考虑具有更高标注完整性的客户端，从而减少不完整标注对全局模型的负面影响。
3. 客户端自适应校正：对于标注不完整的客户端，FedIA实施校正措施，确保这些客户端的数据在后续训练中更加准确。

流程

FedIA的工作流程包括以下几个关键步骤：

1. 早期学习阶段：使用FedAvg算法进行初步模型训练，以建立一个对噪声不敏感的初始模型。
2. 标注完整性评估：基于初始模型，评估每个客户端的标注完整性。
3. 标注完整性感知聚合：根据评估结果，调整每个客户端在聚合过程中的权重。
4. 客户端自适应校正：对标注不完整的客户端进行校正，然后进行本地模型更新。
5. 联邦更新：通过FedAvg算法进行全局模型更新。

应用

FedIA的应用前景广泛，特别是在需要处理大量异质性数据的医疗图像分割领域。该方法不仅提高了模型的准确性，还增强了数据隐私保护，使其在实际医疗应用中具有重要价值。随着更多医疗机构采用联邦学习技术，FedIA有望成为处理标注不完整问题的标准解决方案。