[论文解读] Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection

Lisang Zhou, Meng Wang+1 more|arXiv (Cornell University)|Apr 15, 2024

Brain Tumor Detection and Classification被引用 10

一句话总结

本文提出一种使用 EfficientNet-B0 和 FedAvg 的联邦学习方法，以实现隐私保护的 MRI 脑肿瘤检测，结果显示 EfficientNet-B0 在处理数据异质性方面更出色，并在准确率方面高于某些 CNN（如 ResNet）。

ABSTRACT

Distributed training can facilitate the processing of large medical image datasets, and improve the accuracy and efficiency of disease diagnosis while protecting patient privacy, which is crucial for achieving efficient medical image analysis and accelerating medical research progress. This paper presents an innovative approach to medical image classification, leveraging Federated Learning (FL) to address the dual challenges of data privacy and efficient disease diagnosis. Traditional Centralized Machine Learning models, despite their widespread use in medical imaging for tasks such as disease diagnosis, raise significant privacy concerns due to the sensitive nature of patient data. As an alternative, FL emerges as a promising solution by allowing the training of a collective global model across local clients without centralizing the data, thus preserving privacy. Focusing on the application of FL in Magnetic Resonance Imaging (MRI) brain tumor detection, this study demonstrates the effectiveness of the Federated Learning framework coupled with EfficientNet-B0 and the FedAvg algorithm in enhancing both privacy and diagnostic accuracy. Through a meticulous selection of preprocessing methods, algorithms, and hyperparameters, and a comparative analysis of various Convolutional Neural Network (CNN) architectures, the research uncovers optimal strategies for image classification. The experimental results reveal that EfficientNet-B0 outperforms other models like ResNet in handling data heterogeneity and achieving higher accuracy and lower loss, highlighting the potential of FL in overcoming the limitations of traditional models. The study underscores the significance of addressing data heterogeneity and proposes further research directions for broadening the applicability of FL in medical image analysis.

研究动机与目标

• 推动在 MRI 脑肿瘤检测中进行隐私保护的医学影像分析。
• 应用联邦学习（FL）在不集中数据的前提下训练全局模型。
• 在 FL 框架下评估 EfficientNet-B0，并与其他 CNN 架构（如 ResNet）进行比较。
• 确定能够最好解决数据异质性的问题的预处理、超参数选择和 CNN 架构。

提出的方法

• 使用带有 FedAvg 聚合算法的联邦学习来训练全局 MRI 分类器，同时不共享患者数据。
• 以 EfficientNet-B0 作为主要的 CNN 模型，并将其性能与如 ResNet 等其他架构进行比较。
• 应用定制的预处理步骤和超参数调整，以优化在异质医学影像数据上的 FL 性能。
• 进行对比实验，以评估在数据异质性下不同 CNN 架构的准确性和损失。

实验结果

研究问题

• RQ1 在不中央化数据的前提下，联邦学习是否能够提升 MRI 脑肿瘤检测的隐私保护？
• RQ2 在含异质医学影像数据的 FL 设置中，EfficientNet-B0 是否比 ResNet 及其他 CNN 更有效？
• RQ3 在 MRI 分类的 FL 中，哪些预处理和超参数策略最能缓解数据异质性？

主要发现

• 在 FL 中，EfficientNet-B0 在处理数据异质性方面优于如 ResNet 等其他模型。
• 联邦学习在提升隐私保护的同时，可维持或提高 MRI 脑肿瘤检测的诊断性能。
• 适当的预处理和超参数选择对于在异质医学数据上实现有利的 FL 性能至关重要。
• 该研究凸显了 FL 在解决医学影像分析中传统集中模型局限性的潜力。