面向隐私保护联邦学习的医学影像目标检测算法

• 全文链接
• 请求原文

作   者：

王生生;  路淑贞;  曹斌; 

作者机构：

河北工业大学人工智能与数据科学学院;  吉林大学符号计算与知识工程教育部重点实验室; 

关键词：

病灶检测;  差分隐私保护;  RetinaNet检测器;  联邦学习; 

期刊名称：

计算机辅助设计与图形学学报

i s s n：

2694-6114

年卷期：

2021 年 33 卷 010 期

页   码：

1553-1562

摘   要：

联邦学习技术是一种新型多机构协同训练模型范式,广泛应用于多领域,其中模型参数隐私保护是一个关键问题.针对CT影像综合性病灶检测任务,提出隐私保护的联邦学习算法.首先部署松散耦合的客户端-服务器架构;其次在各客户端使用改进的RetinaNet检测器,引入上下文卷积和后向注意力机制;最后完成联邦训练.各客户端使用局部更新策略,采用自适应训练周期,局部目标函数中加入了限制项;服务器使用自适应梯度裁剪策略和高斯噪声差分隐私算法更新全局模型参数.在DeepLesion数据集上的消融分析说明了算法各部分的重要性.实验结果表明,改进的RetinaNet检测器有效地提升了多尺度病灶的检测精度.与集中数据训练模型范式相比,联邦学习所得模型性能略低(mAP分别为75.33%和72.80%),但训练用时缩短近38%,有效地实现了隐私保护、通信效率和模型性能的良好权衡.