[論文レビュー] FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space

Quande Liu, Cheng Chen+3 more|arXiv (Cornell University)|Mar 10, 2021

Privacy-Preserving Technologies in Data参考文献 56被引用数 42

ひとこと要約

本論文は、周波数空間の分布情報を交換し、境界に焦点を当てたエピソード学習を採用することで、 unseen domains に一般化できる連邦医療画像分割モデルを実現するための Episodic Learning in Continuous Frequency Space (ELCFS) を備えた FedDG を提案する。

ABSTRACT

Federated learning allows distributed medical institutions to collaboratively learn a shared prediction model with privacy protection. While at clinical deployment, the models trained in federated learning can still suffer from performance drop when applied to completely unseen hospitals outside the federation. In this paper, we point out and solve a novel problem setting of federated domain generalization (FedDG), which aims to learn a federated model from multiple distributed source domains such that it can directly generalize to unseen target domains. We present a novel approach, named as Episodic Learning in Continuous Frequency Space (ELCFS), for this problem by enabling each client to exploit multi-source data distributions under the challenging constraint of data decentralization. Our approach transmits the distribution information across clients in a privacy-protecting way through an effective continuous frequency space interpolation mechanism. With the transferred multi-source distributions, we further carefully design a boundary-oriented episodic learning paradigm to expose the local learning to domain distribution shifts and particularly meet the challenges of model generalization in medical image segmentation scenario. The effectiveness of our method is demonstrated with superior performance over state-of-the-arts and in-depth ablation experiments on two medical image segmentation tasks. The code is available at "https://github.com/liuquande/FedDG-ELCFS".

研究の動機と目的

• 医療画像分割における未知の病院ドメインに対する連邦ドメイン一般化（FedDG）の動機付け。
• 生データを開示せずに分布情報を共有するプライバシー保護機構を開発する。
• 曖昧な解剖学的境界での一般化を向上させるため、境界に焦点を当てたエピソード学習フレームワークを設計する。
• 複数センターにまたがる網膜眼底写真と前立腺MRI分割で有効性を実証する。
• コンポーネントと補間戦略を検証するアブレーションと分析を提供する。

提案手法

• 位相を保持しつつ振幅スペクトルの連続周波数空間補間によって分布情報を交換する（プライバシー配慮）。
• すべてのクライアントの振幅スペクトルの分布バンクを構築し、局所の振幅スペクトルを他者のものと、制御可能な lambda パラメータで補間する。
• 元データを用いたメタトレインと、周波数空間変換データを用いたメタテストを利用して、ドメインシフトを露出させるエピソード型（メタ学習）ローカルトレーニングループを実装する。
• 境界指向のメタ目的を定式化し、InfoNCE を用いて境界および背景関連特徴を正則化し、ドメイン不変な境界描画を促進する。
• 分割損失を境界指向損失とメタ目的で統合し、FedAvg によって更新を集約する。

実験結果

リサーチクエスチョン

• RQ1 連邦学習は、医療画像分割において未見のドメインへ一般化するモデルを生み出せるか？
• RQ2 周波数空間での分布情報のプライバシー保護付き転送は、FL の既存の DG 手法と比較してより良い一般化を促進するか？
• RQ3 ドメインシフト下で、境界指向のエピソード学習目的は曖昧な解剖学的境界の分割性能を向上させるか？
• RQ4 連続周波数空間補間と境界指向学習は、クロスドメインの堅牢性を高めるためにどのように相互作用するか？

主な発見

• ELCFS は、未見サイトでの視神経視盤/視杯分割において、JiGen、BigAug、Epi-FCR、RSC などの複数の DG ベースラインおよび FedAvg よりも全体的な一般化性能が高い。
• 網膜眼底写真では、ELCFS がベースラインと比較して Dice を改善し HD を低減し、全体の Dice 増分は 2.02%、HD 増分は 2.86。
• 前立腺 MRI では、6つの未見サイトで最高の Dice を達成し、一般に HD もベースラインより改善。
• アブレーションにより、連続周波数空間補間または境界指向エピソード学習を削除すると性能が低下することが示され、両コンポーネントの寄与が確認された。
• λを [0,1] の範囲にした連続補間と分布間の連続サンプリングが、最良の一般化結果をもたらす。