[论文解读] Deep Anatomical Federated Network (Dafne): An open client-server framework for the continuous, collaborative improvement of deep learning-based medical image segmentation

Francesco Santini, Jakob Wasserthal+12 more|arXiv (Cornell University)|Feb 13, 2023

Radiomics and Machine Learning in Medical Imaging被引用 20

一句话总结

Dafne 是一个免费、去中心化的客户端-服务器系统，用于联邦增量学习以改进医学图像分割，在 MRI 数据上经过验证，相较于各代取得可测量的性能提升。

ABSTRACT

Purpose: To present and evaluate Dafne (deep anatomical federated network), a freely available decentralized, collaborative deep learning system for the semantic segmentation of radiological images through federated incremental learning. Materials and Methods: Dafne is free software with a client-server architecture. The client side is an advanced user interface that applies the deep learning models stored on the server to the user's data and allows the user to check and refine the prediction. Incremental learning is then performed at the client's side and sent back to the server, where it is integrated into the root model. Dafne was evaluated locally, by assessing the performance gain across model generations on 38 MRI datasets of the lower legs, and through the analysis of real-world usage statistics (n = 639 use-cases). Results: Dafne demonstrated a statistically improvement in the accuracy of semantic segmentation over time (average increase of the Dice Similarity Coefficient by 0.007 points/generation on the local validation set, p < 0.001). Qualitatively, the models showed enhanced performance on various radiologic image types, including those not present in the initial training sets, indicating good model generalizability. Conclusion: Dafne showed improvement in segmentation quality over time, demonstrating potential for learning and generalization.

研究动机与目标

• 在不进行集中数据共享的前提下，激发并实现基于 DL 的医学图像分割的协作、持续改进。
• 提供一个自由可用的客户端-服务器架构，支持基于用户细化的增量学习。
• 在真实世界的 MRI 数据集上评估该方法，以评估泛化能力和随时间的学习效果。

提出的方法

• Dafne 使用客户端-服务器架构，服务器托管根分割模型，客户端在本地数据上应用模型。
• 客户端对预测进行细化并在本地执行增量学习，将更新发送回服务器以整合到根模型。
• 该系统通过联邦增量学习实现连续、协作的模型改进。
• 评估包括在 MRI 数据上跨模型代的本地性能提升以及对真实世界使用统计的分析。

实验结果

研究问题

• RQ1 通过 Dafne 的去中心化增量学习，是否能够在连续的模型代中提升分割精度？
• RQ2 客户端细化和联邦集成是否提高对初始训练集中未涵盖的放射影像的泛化能力？
• RQ3 在真实世界使用中使用 Dafne 的实际影响是什么（使用统计、可扩展性）？

主要发现

• Dafne 随时间显示出统计学显著的分割精度提升，在本地验证集上每一代平均 Dice 相似系数提升 0.007 点（p < 0.001）。
• 定性地，模型在多样的放射影像类型上有所改进，包括初始训练集中未出现的数据，显示出良好的泛化性。
• 评估包括 38 份小腿 MRI 数据集和 639 个真实世界用例，展示了实际适用性和学习潜力。