[논문 리뷰] Projection Guided Personalized Federated Learning for Low Dose CT Denoising

Anas Zafar, Muhammad Waqas외 3명|arXiv (Cornell University)|2026. 03. 12.

Medical Imaging Techniques and Applications인용 수 0

한 줄 요약

ProFed는 프로젝션 공간 이중 수준 개인화 방식으로 연합 LDCT 노이즈 제거를 수행하며, 물리 기반 감독을 위한 시노그램 측정값과 불확실도 가중 합산화를 사용해 스캐너 잡음과 환자 해부를 더 잘 구분하고, 11 baselines를 능가합니다.

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.

연구 동기 및 목표

• LDCT 재구성에서 프로토콜 의존 노이즈를 환자 해부로부터 분리하는 것을 동기로 삼는다.
• 스캐너 간의 이질성을 다루기 위해 프로젝션 공간에서 개인화하는 연합 프레임워크를 개발한다.
• 프로젝션 도메인 일관성 손실을 포함한 이중 적응(해부 인식 및 프로토콜 인지 네트워크)을 도입한다.
• 불확실성 가이드 클라이언트 가중치를 도입하여 기관 간 강인한 집계를 강화한다.

제안 방법

• CT 측정값으로 재구성을 감독하기 위해 differentiable Radon 변환 및 역투영을 이용해 투영 공간에서 작동한다.
• 이중 적응: 이미지 및 텍스트에서 도출된 해부 특징으로 안내되는 해부 인지 네트워크와 LoRA 기반 모듈화를 통한 프로토콜 인지(스캐너) 적응.
• 다중 제약 프로젝션 손실: 시노그램과 함께 순방향 투영, 역투영, 순환 일관성 손실.
• 불확실성 가이드 집계: 몬테카를로 드롭아웃으로 클라이언트 신뢰도를 추정하고 집계 중 가중치를 부여.
• 손실 구성은 이미지 도메인 재구성, 이분산 노이즈 모델링, 프로젝션 도메인 일관성을 결합.
• 학습은 O(1) 매개변수 스케일링과 오프라인 해부 특징 추출이 있는 FedAvg 유사 연합 라운드를 사용한다.

실험 결과

연구 질문

• RQ1 프로젝션 도메인(시노그램 공간) 감독이 LDCT 연합 학습에서 이미지 공간 방법보다 스캐너 노이즈를 해부로 더 잘 분리할 수 있는가?
• RQ2 프로젝션 일관성과 함께 이중 적응(해부 인식 및 프로토콜 인식)이 이질적인 프로토콜 간 재구성 품질을 향상시키는가?
• RQ3 다양한 프로토콜을 가진 다기관에서 불확실성 가이드 집계가 강인한 연합 학습에 효과적인가?
• RQ4 전방/후방/순환 프로젝션 손실이 LDCT 노이즈 제거 성능에 미치는 영향은?
• RQ5 미지의 환자와 미지의 프로토콜에 ProFed가 얼마나 잘 일반화되는가?

주요 결과

방법	평균 PSNR (CNN)	평균 SSIM (CNN)	평균 PSNR (Transformer)	평균 SSIM (Transformer)
ProFed (Ours)	42.56	98.23	44.83	98.61

• ProFed는 Mayo Clinic 2016에서 CNN 백본으로 42.56 dB PSNR을 달성하여 11개의 연합 베이스라인을 능가한다.
• ProFed는 Transformer 백본에서 44.83 dB PSNR을 달성하고, SCAN-PhysFed에 비해 최대 +1.42 dB의 이점을 보인다.
• 보지 않은 클라이언트에서 ProFed는 39.17 dB PSNR을 달성하여 새로운 프로토콜과 환자에 대한 강건한 일반화를 보여준다.
• 불확실성 가이드 집계는 실질적인 연합 학습을 향상시키고, 프로젝션 도메인 감독은 이미지 공간 방법보다 강력한 이점을 제공한다.
• 손실 제거는 전체 프로젝션 가이드 이중 적응이 최상의 성능을 낳으며, 프로젝션 손실 및 이중 적응 구성 요소를 추가함으로써 약 +0.9에서 +1.4 dB의 이득이 있다.
• 확장성 측면에서 ProFed는 연합 규모에 따라 O(1) 매개변수 증가를 유지하고 오프라인 해부 특징 추출을 통해 통신 오버헤드를 14% 감소시킨다.