机构名称：
¥ 1.0
摘要 —分布式训练可以促进大型医学图像数据集的处理，并在保护患者隐私的同时提高疾病诊断的准确性和效率，这对于实现高效的医学图像分析和加速医学研究进展至关重要。本文提出了一种创新的医学图像分类方法，利用联邦学习 (FL) 来解决数据隐私和高效疾病诊断的双重挑战。传统的集中式机器学习模型尽管广泛用于疾病诊断等医学成像任务，但由于患者数据的敏感性，引发了严重的隐私问题。作为替代方案，FL 成为一种有前途的解决方案，它允许在本地客户端之间训练集体全局模型而无需集中数据，从而保护隐私。本研究重点关注 FL 在磁共振成像 (MRI) 脑肿瘤检测中的应用，证明了联邦学习框架与 EfficientNet-B0 和 FedAvg 算法相结合在增强隐私和诊断准确性方面的有效性。通过精心选择预处理方法、算法和超参数，以及对各种卷积神经网络 (CNN) 架构的比较分析，该研究发现了图像分类的最佳策略。实验结果表明，EfficientNet-B0 在处理数据异质性方面优于 ResNet 等其他模型，并且实现了更高的准确率和更低的损失，凸显了 FL 在克服传统模型局限性方面的潜力。该研究强调了解决数据异质性的重要性，并提出了进一步的研究方向，以扩大 FL 在医学图像分析中的适用性。
基于分布式联邦学习的深度学习
主要关键词
相关文件推荐
