FedFMS: Exploring Federated Foundation Models for Medical Image Segmentation

医学图像分割对临床诊断至关重要。分割任何物体模型（SAM）是一种强大的视觉分割基础模型，可以用于医学图像分割。然而，医学影像数据通常包含隐私敏感信息，使得使用集中式存储和共享训练基础模型变得具有挑战性。到目前为止，在联邦学习框架内定制的基础模型用于医学图像部署的模型很少，并且分割性能以及通信和训练效率尚未探索。为了解决这些问题，我们开发了用于医学图像分割的联邦基础模型（FedFMS），其中包括联邦SAM（FedSAM）和具有医学SAM适配器的通信和训练效率高的联邦SAM（FedMSA）。对各种数据集进行的综合实验旨在调查FedFMS在各种配置下集中式训练和联邦学习之间的性能差异。实验表明，FedFMS能够在保护隐私的同时实现与集中式训练方法相当的性能。此外，FedMSA展示了提高通信和训练效率的潜力。我们的模型实现代码可在https://github.com/LIU-YUXI/FedFMS获得。

论文旨在解决医学图像分割中隐私问题的同时，提高联邦学习中基础模型的性能和通信效率。在联邦学习框架下，缺乏针对医学图像分割的基础模型，因此需要开发新的模型。

论文提出了联邦基础模型用于医学图像分割 (FedFMS)，其中包括联邦 SAM (FedSAM) 和具有医学 SAM 适配器的通信和训练高效的联邦 SAM (FedMSA)。在不泄露隐私的前提下，通过联邦学习方法训练模型，实现了与集中式训练方法相当的性能。

论文通过实验验证了联邦学习方法在医学图像分割中的有效性和可行性。FedFMS模型在各种配置下实现了与集中式训练方法相当的性能。此外，FedMSA还展示了提高通信和训练效率的潜力。论文提供了代码开源。

最近的相关研究包括：1. 《Federated Learning for Breast Density Classification: A Real-World Implementation》；2. 《Federated learning for healthcare informatics》；3. 《Federated Learning for Medical Imaging: A Systematic Review》。