MLA-BIN联邦域泛化网络

轻量级跨域分割

通过模型级注意力与批实例归一化实现联邦学习在医学图像分割上的域泛化，无需访问原始数据。

朱付保 · Yanhui, Tian · Han, Chuang · Li, Yanting · 南姣芬 · Yao, Ni · Zhou, Weihua

Information Fusion 2024

参数信息

Dice系数

88.27

技术优势

不接触原始数据

MLA模块将未见域表示为已见域模型的线性组合，无需访问原始数据，符合联邦学习的数据存储分离要求。

跨域性能提升

通过在浅层结合批归一化和实例归一化进行风格归一化，解决了域间图像风格差异对域泛化的影响。

轻量级设计

所提出的方法无需复杂架构，仅通过模型级注意力和归一化模块即可实现域泛化，易于集成到现有分割网络。

应用场景

• 医学图像分割：用于跨中心医学图像分割，提升模型在未知域上的性能。
• 联邦学习：在联邦学习框架下解决域泛化问题，无需共享原始数据。
• 隐私保护医疗AI：保护医疗数据隐私，同时实现跨机构协作分割。