[논문 리뷰] FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space

Quande Liu, Cheng Chen외 3명|arXiv (Cornell University)|2021. 03. 10.

Privacy-Preserving Technologies in Data참고 문헌 56인용 수 42

한 줄 요약

논문은 연속 주파수 공간에서의 진폭 스펙트럼의 에피소드 학습(ELCFS)과 함께 FedDG를 제안하여 연속 주파수 공간에서 분포 정보를 교환하고 경계 지향적 에피소드 학습을 적용함으로써 보건 의료 영상 분할 모델이 보지 못한 도메인에 일반화되도록 한다.

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".

연구 동기 및 목표

• 의료 영상 분할에서 보지 못한 병원 도메인에 대한 연합 도메인 일반화(FedDG)를 동기 부여한다.
• 원시 데이터를 노출하지 않고 분포 정보를 공유하는 프라이버시 보호 메커니즘을 개발한다.
• 모호한 해부학적 경계에서 일반화를 향상시키기 위해 경계 중심의 에피소드 학습 프레임워크를 설계한다.
• 다중 센터의 망막 기금 맥 및 전립선 MRI 분할에서 효과를 시연한다.
• 구성 요소 및 보간 전략을 검증하기 위한 제거 연구 및 분석을 제공한다.

제안 방법

• 진폭 스펙트럼의 컨티뉴어스 주파수 공간 보간을 통해 위상은 보존하면서 분포 정보를 교환한다(프라이버시 의식).
• 모든 클라이언트의 진폭 스펙트럼으로 구성된 분포 은행을 구축하고 로컬 진폭 스펙트럼을 다른 이들과 제어 가능한 람다 파라미터로 보간한다.
• 메타-학습을 이용한 로컬 훈련 루프를 구현하여 메타-트레인은 원본 데이터를 사용하고 메타-테스트는 주파수 공간으로 변환된 데이터를 사용해 도메인 시프트를 노출한다.
• 정보NCE를 사용하여 경계 및 배경 관련 특징을 규제하는 경계 중심의 메타 오브젝티브를 구성하여 도메인 불변의 경계 구분을 촉진한다.
• 메타 오브젝트브를 통해 분할 손실과 경계 중심 손실을 통합하고 FedAvg를 통해 업데이트를 집계한다.

실험 결과

연구 질문

• RQ1 연합 학습이 의료 영상 분할에서 보지 못한 도메인에 일반화된 모델을 생성할 수 있는가?
• RQ2 주파수 공간에서 분포 정보를 공유하는 프라이버시 보호 전이성이 기존의 DG 방법보다 더 나은 일반화를 촉진하는가?
• RQ3 경계 중심의 에피소드 학습 목표가 도메인 시프트하에서 모호한 해부학적 경계에서의 분할 성능을 향상시키는가?
• RQ4 연속 주파수 공간 보간과 경계 중심 학습이 교차 도메인 강인성을 향상시키는 방식은 무엇인가?

주요 결과

• ELCFS는 optic disc/cup 분할의 보지 못한 사이트에서 여러 DG 기반선(JiGen, BigAug, Epi-FCR, RSC) 및 FedAvg보다 더 높은 전반적인 일반화 성능을 달성한다.
• 망막 기금에서 ELCFS는 베이스라인보다 Dice를 향상시키고 HD를 감소시키며, 전체 Dice 증가율은 2.02%, HD 증가율은 2.86%이다.
• 전립선 MRI의 경우 ELCFS가 여섯 개의 보지 못한 사이트에서 가장 높은 Dice를 달성하고 일반적으로 베이스라인에 비해 HD를 개선한다.
• 연속 주파수 공간 보간이나 경계 중심 에피소드 학습을 제거하면 성능이 저하되어 두 구성 요소의 기여를 확인한다.
• 람다를 [0,1]로 하는 연속 보간과 분포 간 연속 샘플링이 최상의 일반화 결과를 낸다.