Federated Semi-supervised Learning for Medical Image Segmentation with intra-client and inter-client Consistency

医学图像分割在临床疾病诊断和医学图像分析中起着至关重要的作用。然而，由于放射科医师必不可少的领域专业知识，为分割任务标注医学图像是困难的。此外，考虑到医学图像的隐私和敏感性，从不同的医疗机构建立集中式分割数据集是不切实际的。联邦学习旨在训练孤立客户端的共享模型，而无需本地数据交换，这与医学数据的稀缺性和隐私特性相吻合。为了解决标注难的问题，在集中式数据设置中提出了许多先进的半监督方法。对于联邦学习，如何在这种分布式情况下进行半监督学习值得研究。在这项工作中，我们提出了一个新颖的联邦半监督学习框架，用于医学图像分割。介绍了客户端内和客户端间一致性学习，以在数据层面上平滑预测并避免局部模型的确认偏差。它们是通过客户端协同训练的变分自编码器（VAE）的帮助实现的。添加的VAE模型扮演三个角色：1）提取所有标记和未标记数据的潜在低维特征；2）在计算客户端内一致性损失时执行一种新型的数据增强；3）利用自身的生成能力进行客户端间一致性蒸馏。将所提出的框架与其他联邦半监督或自监督学习方法进行比较。实验结果表明，我们的方法优于现有技术，并避免了大量的计算和通信开销。

提出了一个针对医学图像分割的联邦半监督学习框架，解决了医学图像标注难的问题，并且避免了中心化数据集的隐私问题。

在联邦学习的框架下，引入了客户端之间和客户端内部的一致性学习来平滑预测结果，并避免局部模型的确认偏差。使用了一个联合训练的变分自编码器来完成这个任务，它具有提取潜在低维特征、进行新型数据增强、进行客户端间一致性蒸馏的能力。

实验结果显示，该方法在避免了大量计算和通信开销的同时，优于当前的联邦半监督或自监督学习方法。使用了医学图像分割数据集，并开源了代码。

最近的相关研究包括：《Federated learning with matched averaging》、《Federated semi-supervised learning》、《Federated learning with non-IID data》等。