[論文レビュー] Projection Guided Personalized Federated Learning for Low Dose CT Denoising

Anas Zafar, Muhammad Waqas+3 more|arXiv (Cornell University)|Mar 12, 2026

Medical Imaging Techniques and Applications被引用数 0

ひとこと要約

ProFedは連合LDCTノイズ除去のための投影空間デュアルレベル個別化を実行し、サイノグラム測定を物理ベースの監視に、不確実性加重集約を用いてスキャナーノイズと患者解剖の分離を改善し、11件のベースラインを上回る。

ABSTRACT

Low-dose CT (LDCT) reduces radiation exposure but introduces protocol-dependent noise and artifacts that vary across institutions. While federated learning enables collaborative training without centralizing patient data, existing methods personalize in image space, making it difficult to separate scanner noise from patient anatomy. We propose ProFed (Projection Guided Personalized Federated Learning), a framework that complements the image space approach by performing dual-level personalization in the projection space, where noise originates during CT measurements before reconstruction combines protocol and anatomy effects. ProFed introduces: (i) anatomy-aware and protocol-aware networks that personalize CT reconstruction to patient and scanner-specific features, (ii) multi-constraint projection losses that enforce consistency with CT measurements, and (iii) uncertainty-guided selective aggregation that weights clients by prediction confidence. Extensive experiments on the Mayo Clinic 2016 dataset demonstrate that ProFed achieves 42.56 dB PSNR with CNN backbones and 44.83 dB with Transformers, outperforming 11 federated learning baselines, including the physics-informed SCAN-PhysFed by +1.42 dB.

研究の動機と目的

• LDCT再構成におけるプロトコル依存ノイズと患者解剖の分離を動機付ける。
• スキャナー間の不均一性に対処するため、投影空間で個別化する連合フレームワークを開発する。
• 投影ドメイン整合性損失を用いた解剖学対応およびプロトコル対応の二重適応を導入する。
• 機関間の堅牢な集約を高める不確実性 guided クライアント重み付けを組み込む。

提案手法

• 微分可能なラドン変換とバックプロジェクションを用いて投影空間で運用し、CT測定値で再構成を監視する。
• 二重適応：画像とテキスト由来の解剖特徴に導かれる解剖学対応ネットワークと、LoRAベースのモジュレーションによるプロトコル対応（スキャナー）適応。
• 多重制約の投影損失：投影前方、投影後方、サイノグラムを用いたサイクル整合損失。
• 不確実性 guided 集約：モンテカルロドロップアウトでクライアント信頼度を推定し集約時の寄与度を重み付け。
• 損失構成：画像ドメインの再構成、ヘテロスケダスノイズモデリング、投影ドメイン整合性を組み合わせ。
• 訓練はFedAvg様の連合ラウンドで、O(1) パラメータスケーリングとオフライン解剖特徴抽出を使用。

実験結果

リサーチクエスチョン

• RQ1 投影ドメイン（サイノグラム空間）監視はLDCT連合学習において画像空間手法よりスキャナーのノイズを解剖学とより分離できるか？
• RQ2 デュアル適応（解剖学対応とプロトコル対応）と投影整合性は異なるプロトコル間で再構成品質を改善するか？
• RQ3 不確実性 guided 集約は複数機関での堅牢な連合学習に有効か？
• RQ4 投影ベースの損失（前方、後方、サイクル）がLDCTノイズ除去性能に与える影響は？
• RQ5 ProFedは未知の患者と未知のプロトコルへどの程度一般化するか？

主な発見

Method	Average PSNR (CNN)	Average SSIM (CNN)	Average PSNR (Transformer)	Average SSIM (Transformer)
ProFed (Ours)	42.56	98.23	44.83	98.61

• ProFedはMayo Clinic 2016でCNNバックボーン時にPSNR 42.56 dBを達成し、11件の連合ベースラインを上回る。
• ProFedはTransformerバックボーン時にPSNR 44.83 dBを達成し、SCAN-PhysFedを最大+1.42 dB上回る。
• 未知クライアントではPSNR 39.17 dBを達成し、新規プロトコルと新規患者への頑健な一般化を示す。
• 不確実性 guided 集約は実質的な連合学習を改善し、投影ドメイン監視は画像空間手法より強力な利得を提供。
• アブレーションにより、完全な投影誘導デュアル適応が最良の性能を示し、投影損失とデュアル適応成分の追加で約+0.9〜+1.4 dBのゲイン。
• スケーラビリティの観点では、ProFedは連合規模に対してO(1)パラメータ成長を維持し、オフライン解剖特徴抽出により通信オーバーヘッドを14%削減。