近日，我校計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院朱付保教授團(tuán)隊(duì)聯(lián)合密歇根理工大學(xué)應(yīng)用計(jì)算系周衛(wèi)華教授在國際知名期刊《Information Fusion》（中科院一區(qū)TOP期刊，IF=18.6）上發(fā)表了題為“Model-level attention and batch-instance style normalization for federated learning on medical image segmentation”（用于聯(lián)邦學(xué)習(xí)醫(yī)學(xué)圖像分割的模型級(jí)注意力和風(fēng)格歸一化）的研究論文。
聯(lián)邦學(xué)習(xí)為跨中心醫(yī)療協(xié)作和數(shù)據(jù)共享提供了一種有效的隱私保護(hù)機(jī)制。在多站點(diǎn)醫(yī)學(xué)圖像分割中，聯(lián)邦學(xué)習(xí)允許每個(gè)醫(yī)療站點(diǎn)作為客戶端，形成自己的數(shù)據(jù)域，從而可能提高模型在已知域上的性能。然而，由于不同域中數(shù)據(jù)的非獨(dú)立同分布特性，導(dǎo)致模型在不可見域的泛化（域泛化）性能下降。為了應(yīng)對(duì)這一挑戰(zhàn)，朱付保教授團(tuán)隊(duì)提出了輕量級(jí)的模型級(jí)注意力（MLA）和風(fēng)格歸一化模塊（BIN）來解決聯(lián)邦學(xué)習(xí)中的域泛化問題。MLA模塊將未知域表示為已知域模型的線性組合。MLA不需要訪問原始數(shù)據(jù)，而是在已知域的數(shù)據(jù)特征中充分探索學(xué)習(xí)，從而識(shí)別域間數(shù)據(jù)特征的差異，使全局模型從可見的域泛化到未知域。在BIN中，結(jié)合批歸一化和實(shí)例歸一化特點(diǎn)運(yùn)行在分割網(wǎng)絡(luò)的淺層以進(jìn)行風(fēng)格歸一化。BIN與分割骨干網(wǎng)絡(luò)結(jié)合，在無需訪問其他中心數(shù)據(jù)的情況下，確保了域內(nèi)特征的有效學(xué)習(xí)和域間圖像風(fēng)格歸一化。實(shí)驗(yàn)結(jié)果表明，所提方法優(yōu)于目前最先進(jìn)的方法。本方法為聯(lián)邦學(xué)習(xí)醫(yī)學(xué)圖像分割模型的實(shí)際部署提供了新思路。
該論文是以鄭州輕工業(yè)大學(xué)為第一署名單位完成，朱付保教授為第一作者，碩士研究生田延暉為共同第一作者，姚妮（高級(jí)實(shí)驗(yàn)師）和周衛(wèi)華（教授）為通信作者。
《Information Fusion》創(chuàng)刊于2000年，是一本由ELSEVIER出版的理論方法學(xué)術(shù)刊物，該刊是國際一流期刊，發(fā)文范圍涵蓋計(jì)算機(jī)人工智能等領(lǐng)域。此刊已入選SCI、SCIE來源期刊，是中科院分區(qū)1區(qū)TOP期刊，2023年影響因子18.6。
此項(xiàng)研究成果得到了國家自然科學(xué)基金、河南省科技攻關(guān)項(xiàng)目的支持。
論文鏈接：https://doi.org/10.1016/j.inffus.2024.102348
?豫公網(wǎng)安備 41010502004744號(hào)