[論文レビュー] One Model to Unite Them All: Personalized Federated Learning of Multi-Contrast MRI Synthesis

Onat Dalmaz, Muhammad Usama Mirza+6 more|arXiv (Cornell University)|Jul 13, 2022

Domain Adaptation and Few-Shot Learning被引用数 11

ひとこと要約

本稿では、複数の病院で発生するデータの非同一性に起因するドメインシフトを解消する、多対照MRI合成を目的としたパーソナライズドフェデレーテッドラーニングフレームワークpFLSynthを提案する。サイトおよび対照ごとの潜在変数と、部分的モデル集約を用いた適応的パーソナライズドブロックを採用することで、pFLSynthは、複数病院のMRIデータセットにおいて、従来のフェデレーテッド手法に比べて優れた汎化性能と性能を達成する。

ABSTRACT

Multi-institutional collaborations are key for learning generalizable MRI synthesis models that translate source- onto target-contrast images. To facilitate collaboration, federated learning (FL) adopts decentralized training and mitigates privacy concerns by avoiding sharing of imaging data. However, FL-trained synthesis models can be impaired by the inherent heterogeneity in the data distribution, with domain shifts evident when common or variable translation tasks are prescribed across sites. Here we introduce the first personalized FL method for MRI Synthesis (pFLSynth) to improve reliability against domain shifts. pFLSynth is based on an adversarial model that produces latents specific to individual sites and source-target contrasts, and leverages novel personalization blocks to adaptively tune the statistics and weighting of feature maps across the generator stages given latents. To further promote site specificity, partial model aggregation is employed over downstream layers of the generator while upstream layers are retained locally. As such, pFLSynth enables training of a unified synthesis model that can reliably generalize across multiple sites and translation tasks. Comprehensive experiments on multi-site datasets clearly demonstrate the enhanced performance of pFLSynth against prior federated methods in multi-contrast MRI synthesis.

研究の動機と目的

• 画像プロトコルやハードウェアの違いに起因する、複数病院のMRI合成におけるデータ非同一性に対処すること。
• 機関間での信頼性の高いモデル学習を可能にしつつ、プライバシーを維持するフェデレーテッドラーニングフレームワークを構築すること。
• 暗黙的（プロトコル／ハードウェア）および明示的（変動するソース・ターゲット対照）なドメインシフトに対して、モデルの汎化性能を向上させること。
• 1つの統合モデルが、複数の病院で多様な翻訳タスクを実行しつつ、病院固有の性能を損なわずに運用できることを可能にすること。
• 部分的ネットワーク集約を用いることで、通信コストを削減しながらパーソナライズドモデルの維持を可能にすること。

提案手法

• 本手法は、サイトおよび対照ごとの潜在コードを用いた統一型の生成的対抗ネットワーク（CycleGANベース）を採用し、分布シフトをモデル化する。
• パーソナライズドブロックは、サイト・対照潜在変数を用いて、生成器の各段階における特徴マップの統計量と重みを適応的に変更する。
• 部分的モデル集約は、生成器の下流層にのみ適用され、上流層はローカルに保持されることで、病院固有の特徴を保存する。
• フレームワークは、ローカルモデル更新と定期的なグローバル集約を組み合わせたフェデレーテッド平均化（FedAvg）トレーニングプロトコルを用いる。
• サイト固有の潜在変数は、グローバルなサイトインデックスを必要としないローカルマッパー・ネットワークによって学習される。
• ディスクラミネーターは各病院間で共有されないため、プライバシーが強化され、通信オーバーヘッドが低減される。

実験結果

リサーチクエスチョン

• RQ1 非同一なデータ分布を持つ複数のMRI病院において、1つの統合モデルが信頼性高く汎化可能か？
• RQ2 パーソナライズドフェデレーテッドラーニングは、暗黙的および明示的ドメインシフトの下で、MRI合成性能をどのように向上させるか？
• RQ3 部分的モデル集約は、フェデレーテッドMRI合成における性能と通信効率にどのような影響を与えるか？
• RQ4 データ共有を必要とせずに、サイトおよび対照固有の潜在変数が局所的な分布シフトを効果的に捉えられるか？
• RQ5 合成品質と通信効率の観点から、pFLSynthは中央集権的ベースラインおよび他のフェデレーテッドベースラインと比較してどのように差をつけるか？

主な発見

• pFLSynthは、複数病院のMRI合成タスクにおいて、中央集権的ベンチマークモデルと同等の性能を達成する。
• pFLSynthは、すべてのフェデレーテッドベースライン（FedGAN、FedMRI、FedMM、FedMed、FedCycle）を上回る合成品質を示し、ピークサイナリオ比（PSNR）は18.75を記録する。
• 通信負荷は1ラウンドあたり652万パラメータにまで低減され、FedGAN（1151万）およびFedCycle（999万）よりも顕著に低い。
• ローカルモデルの複雑さは1427万パラメータであり、展開に適した効率的なモデルサイズであることが示された。
• アクティベーションマップの類似度は、pFLSynth（平均スピアマン順位相関係数：0.85）がベースラインを上回り、特徴の一貫性が向上していることが示された。
• 遅れて参加する病院が導入されても、強力な性能を維持することができ、耐障害性とスケーラビリティが確認された。