机构名称：
¥ 1.0
通过多机构合作进行大型，多样化的MRI数据集的策划可以帮助改善对可靠地转化为目标对比图像的可靠合成模型的学习。为了促进合作，联邦学习（FL）采用了分散的模型培训，同时通过避免共享成像数据来减轻隐私问题。然而，传统的FL方法可能会因数据分布中固有的异质性而损害，并且域在成像位点内和跨成像位点的变化。在这里，我们介绍了MRI合成的第一种个性化FL方法（PFLSYNTH），该方法通过模型专业化对数据异质性的可靠性提高了单个站点和合成任务（即源目标对比）。为此，PFLSHNTH利用了配备有新型个性化块的对抗模型，该模型控制了特定于站点和任务的潜在变量，该块控制了空间/通道尺寸的生成特征图的统计数据。为了进一步促进沟通效率和现场专业化，部分网络聚合是在以后的发电机阶段进行的，而较早的发电机阶段和鉴别器则在本地进行了培训。因此，PFLSYNTH实现了多任务合成模型的多任务培训，其跨站点和任务具有高概括性能。全面的实验证明了MRI合成中PFLSHTH与先前联合方法的卓越性能和可靠性。
多对比度MRI合成的个性化联合学习
主要关键词
相关文件推荐
