[论文解读] 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 42

一句话总结

本文提出 FedDG 与在连续频率空间中的情节化学习（ELCFS），通过在频率空间交换分布信息并采用以边界为焦点的情节化学习，使联邦医疗图像分割模型能够泛化到未见域。

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".

研究动机与目标

• 在未见医院域的医学图像分割中，推动联邦域泛化（FedDG）研究。
• 开发在不暴露原始数据的前提下共享分布信息的隐私保护机制。
• 设计一个以边界为焦点的分情节学习框架，以提升在模糊解剖边界处的泛化能力。
• 在多中心的眼底图像和前列腺MRI分割上证明其有效性。
• 提供消融实验和分析以验证组件及插值策略。

提出的方法

• 通过保留相位、在连续频率空间对振幅谱进行插值来交换分布信息（保护隐私）。
• 构建来自所有客户端的振幅谱分布库，并通过可控的 lambda 参数将本地振幅谱与他人进行插值。
• 实现一个情节化（元学习）本地训练循环，其中元训练使用原始数据，元测试使用频率空间变换数据以暴露域偏移。
• 提出一个以边界为导向的元目标，利用 InfoNCE 正则化边界与背景相关特征，促进域不变的边界界定。
• 在元目标中将分割损失与边界聚焦损失结合，并通过 FedAvg 汇聚更新。

实验结果

研究问题

• RQ1 联邦学习是否能产生在未见域上对医学图像分割具有泛化能力的模型？
• RQ2 在频率空间中进行隐私保护的分布信息传递相比现有的FL领域泛化方法，是否能促成更好的泛化？
• RQ3 在域偏移下，以边界为导向的情节化学习目标是否能提升模糊解剖边界的分割性能？
• RQ4 连续频率空间插值和边界导向学习如何相互作用以提升跨域鲁棒性？

主要发现

• ELCFS 在未见站点的视网膜神经纤维层/视盘分割上，总体泛化性能高于若干DG基线（如 JiGen、BigAug、Epi-FCR、RSC）和 FedAvg。
• 在眼底影像方面，ELCFS 相较基线提高 Dice 指数并降低 Hausdorff 距离（HD），总体 Dice 增益2.02%、HD 增益2.86。
• 对于前列腺MRI，在六个未见站点中达到最高 Dice，并通常改善 HD 相对于基线。
• 消融实验表明移除连续频率空间插值或边界导向情节化学习会降低性能，证实两者的贡献。
• 在 [0,1] 区间的连续插值与跨分布的连续采样可获得最佳泛化结果。