FedDAG：基于联邦域对抗生成技术的通用医学图像分析方法

《IEEE Transactions on Medical Imaging》：FedDAG: Federated Domain Adversarial Generation Toward Generalizable Medical Image Analysis

针对联邦学习中的域偏移问题，提出FedDAG框架通过生成对抗样本模拟域偏移，优化全局模型泛化能力，在四个医疗基准测试中验证了有效性。

　　

摘要：

联邦领域泛化旨在从多个源领域训练出一个全局模型，并确保其能够泛化到未见过的目标领域。由于目标领域存在未知的领域差异，尝试通过源领域来弥补这些差异可能是提高模型泛化能力的关键。现有工作主要集中在共享和重组局部领域特定属性上，以增加数据多样性并模拟潜在的领域差异。然而，这些方法可能不够充分，因为仅靠局部属性的重组很难处理全局数据中的非分布情况。在本文中，我们提出了一个简单而高效的框架，称为联邦领域对抗生成（FedDAG）。该框架通过对抗性生成与局部和全局源领域不同的新领域来模拟领域差异并提高模型泛化能力。具体来说，它通过最大化原始图像与生成图像之间的实例级特征差异来生成新风格的图像，并通过最小化这些特征差异来训练一个具有泛化能力的任务模型。此外，我们观察到FedDAG对局部模型的性能提升效果不同，这可能是由于客户端之间存在固有的数据隔离和异质性，加剧了它们对全局模型泛化贡献的不平衡。忽略这种不平衡可能会导致全局模型的泛化能力不足，从而进一步限制新领域生成的过程。因此，为了缓解这种不平衡，FedDAG利用“锐度”概念在客户端内部和客户端之间分层聚合局部模型，以评估客户端模型的泛化贡献。在四个医学基准测试中的广泛实验表明，FedDAG能够增强联邦医学场景中的泛化能力。

引言

随着医学研究和临床实践的不断进步，医学领域产生了大量的数据[1]、[2]。然而，这些数据通常分散在不同的医疗机构中。由于法律和监管限制，集中这些数据进行训练可能是不可行的[3]、[4]、[5]。联邦学习（FL）[6]允许多个客户端在无需数据集中或共享的情况下协作训练模型，从而在整个过程中保护患者隐私。然而，现有的FL方法对领域差异非常敏感，当目标领域的数据分布与源领域不同时就会发生领域差异[7]。忽略领域差异的影响可能会限制FL模型在现实世界场景中的应用[8]。例如，当联邦之外的医疗机构试图使用联邦内其他多个机构训练的模型时，由于显著的领域差异，该模型的性能往往较差[9]、[10]、[11]。