FedDG: 연속 주파수 공간에서의 에피소딕 학습을 통한 의료 이미지 분할에 대한 연합 도메인 일반화

연합 학습은 분산된 의료 기관들이 개인 정보 보호와 함께 공유된 예측 모델을 협력적으로 학습할 수 있도록 허용합니다. 임상 배포 시, 연합 학습으로 훈련된 모델은 연합 외부에 있는 전혀 보지 못한 병원에 적용할 때 성능 저하를 겪을 수 있습니다. 본 논문에서는 전혀 보지 못한 목표 도메인에 직접 일반화할 수 있도록 다수의 분산된 출처 도메인에서 연합 모델을 학습하려는 연합 도메인 일반화(FedDG)의 새로운 문제 설정을 지적하고 해결합니다. 데이터 탈중앙화라는 도전적인 제약 아래에서 각 클라이언트가 다중 출처 데이터 분포를 활용할 수 있도록 하는 에피소딕 학습 연속 주파수 공간(ELCFS)으로 명명된 새로운 접근법을 제시합니다. 우리의 접근법은 효과적인 연속 주파수 공간 보간 메커니즘을 통해 클라이언트 간에 분포 정보를 개인 정보 보호 방식으로 전송합니다. 전달된 다중 출처 분포를 통해, 우리는 도메인 분포 변화에 대한 로컬 학습을 노출시키고 의료 이미지 분할 시나리오에서 모델 일반화의 도전 과제를 특히 해결하도록 경계 지향적인 에피소딕 학습 패러다임을 신중하게 설계합니다. 우리의 방법의 효과는 최신 기술에 비해 우수한 성능과 두 가지 의료 이미지 분할 작업에 대한 심층적 제거 실험으로 입증됩니다. 코드는 https://github.com/liuquande/FedDG-ELCFS 에서 확인할 수 있습니다.