[论文解读] Experiments of Federated Learning for COVID-19 Chest X-ray Images

Boyi Liu, Bingjie Yan+3 more|arXiv (Cornell University)|Jul 5, 2020

COVID-19 diagnosis using AI参考文献 4被引用 52

一句话总结

本文评估了在 COVID-19 胸部X光分类任务中使用四个模型（COVID-Net、ResNet18、ResNeXt、MobileNet-v2）的联邦学习（FL），并将 FL 与在 COVIDx 数据集上的集中训练进行了比较。

ABSTRACT

AI plays an important role in COVID-19 identification. Computer vision and deep learning techniques can assist in determining COVID-19 infection with Chest X-ray Images. However, for the protection and respect of the privacy of patients, the hospital's specific medical-related data did not allow leakage and sharing without permission. Collecting such training data was a major challenge. To a certain extent, this has caused a lack of sufficient data samples when performing deep learning approaches to detect COVID-19. Federated Learning is an available way to address this issue. It can effectively address the issue of data silos and get a shared model without obtaining local data. In the work, we propose the use of federated learning for COVID-19 data training and deploy experiments to verify the effectiveness. And we also compare performances of four popular models (MobileNet, ResNet18, MoblieNet, and COVID-Net) with the federated learning framework and without the framework. This work aims to inspire more researches on federated learning about COVID-19.

研究动机与目标

• 推动跨医院的隐私保护协作学习，以进行 COVID-19 CXR 分类。
• 研究四个网络在 COVID-19 CXR 数据上的 FL 性能。
• 评估 FL 与非 FL 在收敛和准确性方面的权衡。

提出的方法

• 定义一个包含5个代理、每轮0.4参与度的联邦学习设置。
• 在 FL 下使用 PyTorch 训练四个模型（COVID-Net、ResNet18、ResNeXt、MobileNet-v2）。
• 使用学习率为 2e-5、权重衰减 1e-7 的 Adam 优化器。
• 数据集：COVIDx（15,282 张图像），标签包括 Normal、non-COVID pneumonia 和 COVID-19。
• 将 FL 训练的模型与集中训练基线进行比较。
• 评估性能（按集合和按标签的准确性）并提供 Grad-CAM++ 可视化解释。

实验结果

研究问题

• RQ1 联邦学习是否能够在 COVID-19 CXR 分类任务上达到与集中训练相当的准确性？
• RQ2 在 FL 下，哪种模型在 COVID-19 CXR 图像上能获得最佳准确性？
• RQ3 FL 如何影响收敛速度以及对 COVID-19 检测的按标签的性能？

主要发现

• ResNet18 在 FL 下在训练集上达到最高准确率 96.15% 和测试集 91.26%。
• COVID-Net 在 FL 下达到 89.17% 的测试准确率和 92.40% 的训练准确率。
• ResNeXt 在 FL 下达到 90.37% 的测试准确率和 94.66% 的训练准确率。
• MobileNet-v2 在 FL 下达到 86.83% 的测试准确率和 91.16% 的训练准确率。
• 在集中训练下，四个模型表现不同，其中 ResNet18 在 FL 与非 FL 设置中仍然表现最好。
• MobileNet-v2 是四个模型中参数最少的。