[論文レビュー] FedDis: Disentangled Federated Learning for Unsupervised Brain Pathology Segmentation

Cosmin I. Bercea, Benedikt Wiestler+2 more|arXiv (Cornell University)|Mar 5, 2021

Medical Imaging and Analysis被引用数 25

ひとこと要約

FedDisは、モデルパラメータを形状と外観に分解し、連合学習では形状だけを共有して非IIDドメインシフトを緩和し、複数データセットで監視なし脳病理セグメンテーションの性能を向上させる。

ABSTRACT

In recent years, data-driven machine learning (ML) methods have revolutionized the computer vision community by providing novel efficient solutions to many unsolved (medical) image analysis problems. However, due to the increasing privacy concerns and data fragmentation on many different sites, existing medical data are not fully utilized, thus limiting the potential of ML. Federated learning (FL) enables multiple parties to collaboratively train a ML model without exchanging local data. However, data heterogeneity (non-IID) among the distributed clients is yet a challenge. To this end, we propose a novel federated method, denoted Federated Disentanglement (FedDis), to disentangle the parameter space into shape and appearance, and only share the shape parameter with the clients. FedDis is based on the assumption that the anatomical structure in brain MRI images is similar across multiple institutions, and sharing the shape knowledge would be beneficial in anomaly detection. In this paper, we leverage healthy brain scans of 623 subjects from multiple sites with real data (OASIS, ADNI) in a privacy-preserving fashion to learn a model of normal anatomy, that allows to segment abnormal structures. We demonstrate a superior performance of FedDis on real pathological databases containing 109 subjects; two publicly available MS Lesions (MSLUB, MSISBI), and an in-house database with MS and Glioblastoma (MSI and GBI). FedDis achieved an average dice performance of 0.38, outperforming the state-of-the-art (SOTA) auto-encoder by 42% and the SOTA federated method by 11%. Further, we illustrate that FedDis learns a shape embedding that is orthogonal to the appearance and consistent under different intensity augmentations.

研究の動機と目的

• ブレイン病理セグメンテーションを跨ぐプライバシー保護学習の動機づけ。
• 形状と外観を分離し、共有するのは形状パラメータのみとするFedDisを提案。
• 実データ病理データセットにおける異常セグメンテーション性能の改善を示す。
• FedDisが外観と直交する形状埋め込みを学習し、強度シフトに頑健であることを示す。

提案手法

• 形状と外観パラメータを分離するオートエンコーダーアーキテクチャ。
• クライアント間のグローバル集約で形状パラメータのみを平均化する連合学習。
• 潜在対比損失LCLを用いて、形状の一貫性(SCL)と形状と外観の潜在的直交性(LOL)をKLダイバージェンス項で課す。
• 再構成ベースの教師なし異常セグメンテーション（残差 x - x_rec を異常証拠として利用）。
• ハイパーパラメータ：再構成とLCLのバランスを取るα、LCL内でSCLとLOLの重みづけをするβ、形状の一貫性を高めるγ-シフト拡張。

実験結果

リサーチクエスチョン

• RQ1 FedDisは形状と外観を分離することにより、連合学習におけるサイト間ドメインシフトを抑制できるか？
• RQ2 形状パラメータのみを共有することは、未知のスキャナーやデータセットへの一般化を従来の連合学習法より改善するか？
• RQ3 潜在表現は外観と直交する形状埋め込みを示し、強度変化に対して頑健か？
• RQ4 潜在対比損失の成分（SCLとLOL）はセグメンテーション性能と分離にどのような影響を与えるか？

主な発見

• FedDisは主な異常セグメンテーションタスクで平均Diceスコア0.38を達成し、SOTAオートエンコーダより42%、SOTA連合法より11%上回る。
• FedDisは実データ病理データセットでFedAvg、FedVC、SiloBN、FedGN等のベースラインを上回る。
• FedDisは外観と直交する形状埋め込みを学習し、強度シフト下でも安定していることを潜在分析とアブレーションで示す。
• アブレーションにより、潜在対比損失が効果的な分離と性能向上に不可欠であることが示された。
• データを中央集権化した学習と比較して、FedDisはプライバシー保護された分散データで強力なセグメンテーション性能を提供する。