相似度感知蒸馏的统一弱监督个性化联邦图像分割

目的 联邦学习允许多个机构在不侵犯数据隐私、安全的前提下协作训练强大的深度模型。现有多数联邦范式在处 理多中心不同数据分布时性能通常会下降，且弱监督条件下的联邦范式鲜有研究，特别是各站点数据采用不同形式的稀疏标 注的情况。针对该问题，本文提出一种站点分布相似度感知知识蒸馏的统一弱监督个性化联邦学习框架(pFedWSD)，以应对 多中心数据分布和标注上的差异。 方法 所提出的pFedWSD通过循环知识蒸馏为每个站点训练个性化模型，包含动态循环 公共知识积累及个性化两个阶段。第一阶段以不确定度感知方式动态地排序每轮训练中各站点模型性能，并以循环知识蒸馏 的形式积累公共知识；第二阶段通过批标准化层的统计信息来度量各站点间相似性并聚合得到各站点教师模型并进行知识 蒸馏。在弱监督方面，引入门控条件随机场损失和树能量损失相结合的训练目标，以产生更为精确的伪标注监督信号。 结 果 在眼底视杯视盘分割和视网膜中心凹无血管区分割两项任务中，pFedWSD的Dice系数和HD95指标均优于多种中心式联 邦和个性化联邦方法，在两项任务中分别取得90.38(%)和93.12(%)的Dice系数，相较此前先进的方法FedAP和FedALA分别获 得了1.67(%)和6.56(%)的提升，性能接近于全监督集中式训练所得的模型。 结论 本文所提出的弱监督个性化联邦学习框架 能有效统一不同形式稀疏标注数据并对不同分布的各站点数据训练得到个性化模型，使各站点分割性能均得到显著提升。