FedIA: Federated Medical Image Segmentation with Heterogeneous Annotation Completeness

联邦学习已成为医学图像分割的一种有力范式，特别是在隐私问题日益突出的情况下。然而，大部分现有研究都依赖于相对严格的假设，即客户端之间的注释具有一致性和完整性。与此相反，本文强调了医学实践中普遍存在的一个挑战：不完整的注释。这些注释可能会引入错误标记的像素，从而可能削弱监督学习中神经网络的性能。为了解决这个问题，我们提出了一种新颖的解决方案，称为FedIA。我们的想法是将不完整的注释视为噪声数据（即低质量数据），并重点关注减轻它们的不良影响。我们首先使用设计的指标评估客户端注释的完整性。随后，我们增强了具有更全面注释的客户端的影响力，并对不完整的注释进行了纠正，从而确保模型在准确的数据上进行训练。我们的方法的有效性通过在两个广泛使用的医学图像分割数据集上的优越性能得到验证，超越了现有的解决方案。代码可在https://github.com/HUSTxyy/FedIA上获得。

本文试图解决医学图像分割中标注不完整的问题，提出一种名为FedIA的解决方案。

本文将不完整的标注数据视为噪音数据，并设计了一种指标来评估客户端的标注完整性。在训练模型时，加强标注完整性更高的客户端的影响力，并对不完整的标注进行纠正，以确保模型训练的准确性。

本文的实验结果表明，FedIA方法在两个常用的医学图像分割数据集上表现优异，超过了现有的解决方案。代码已经开源。

最近的相关研究包括：1.《Federated Learning for Breast Density Classification: A Real-World Implementation》；2.《Federated Learning for Magnetic Resonance Image Segmentation》。