Universal Medical Imaging Model for Domain Generalization with Data Privacy

在医学成像领域实现域通用性面临着重大挑战，主要是由于此领域公开标记数据集的数量有限。这种限制源于数据隐私和需要医学专业知识来准确标记数据的相关问题。本文提出了一种联邦学习方法，将来自多个本地模型的知识转移至全局模型，消除了需要直接访问用于训练每个模型的本地数据集的需求。主要目标是训练一个能够执行各种医学成像任务的全局模型，同时确保训练这些模型时所使用的私有数据集的机密性。为了验证我们的方法的有效性，在八个数据集上进行了大量实验，每个数据集对应不同的医学成像应用。在我们的实验中，客户端的数据分布存在显著差异，因为它们来自不同的领域。尽管存在这种差异，我们通过从客户端学习信息而不访问服务器上的任何标记数据集，证明了与使用遮蔽图像建模跨越不同身体部位和扫描类型的多样化预训练数据集的最新基线相比，取得了显著的改进。

本论文旨在解决医学影像领域通用性不足的问题，提出了一种联邦学习方法，通过多个本地模型向全局模型传递知识，实现对多种医学影像任务的处理。同时保证私有数据的机密性。

本文提出的联邦学习方法可以在不访问本地数据集的情况下，将多个本地模型的知识传递到全局模型中，从而提高模型的通用性和性能。

本文在8个不同的医学影像应用数据集上进行了广泛的实验，证明了所提出的联邦学习方法相比于当前最先进的基于遮盖图像建模的基线方法具有显著的改进。实验设计合理，使用了多个数据集，但未提供开源代码。

在医学影像领域，近期的相关研究包括：1. Federated Transfer Learning for MRI: Application to Rare Disease Detection；2. Privacy-Preserving Federated Brain Tumour Segmentation。