摘要: 针对联邦学习中的非独立同分布问题,提出了一种基于联邦风格迁移的影像分割方法,联邦风格迁移通过共享用户隐私中不敏感的信息,以此生成合成数据进行数据增广,在保证数据重要结构信息不泄露的情况下降低不同用户之间的数据差异。实验结果表明,联邦风格迁移可有效降低肝脏图像分割中各节点之间的非独立同分布现象对联邦模型性能的影响,在统一测试集上的准确率逼近数据集中的训练结果。联邦风格迁移可提高联邦模型的性能,为打破数据孤岛和建立医疗领域的通用分割模型提供可能。
中图分类号:
马静超 印象 胡陈菲 马博渊 班晓娟 . 基于联邦风格迁移的图像分割[J]. 北京邮电大学学报, 2023, 46(6): 27-0.