[论文解读] Projection Guided Personalized Federated Learning for Low Dose CT Denoising

Anas Zafar, Muhammad Waqas+3 more|arXiv (Cornell University)|Mar 12, 2026

Medical Imaging Techniques and Applications被引用 0

一句话总结

ProFed 在联邦 LDCT 去噪中进行投影空间的双级个性化，通过 sinogram 测量进行基于物理的监督和不确定性加权聚合，以更好地将扫描仪噪声与患者解剖结构分离，优于 11 个基线。

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.

研究动机与目标

• 在 LDCT 重建中推动将协议相关噪声与患者解剖结构分离的动机。
• 开发一个在投影空间进行个性化的联邦框架，以处理不同扫描仪的异质性。
• 引入双重自适应（解剖感知和协议感知网络）以及投影域一致性损失。
• 结合不确定性引导的客户端加权以增强跨机构的鲁棒聚合。

提出的方法

• 在投影空间中利用可微分的 Radon 变换与反投影来用 CT 测量监督重建。
• 双重自适应：由图像和文本衍生的解剖特征引导的解剖感知网络，以及通过 LoRA 基调制的协议感知（扫描仪）自适应。
• 多约束投影损失：前向投影、后向投影和基于 sinogram 的循环一致性损失。
• 不确定性引导的聚合：蒙特卡洛 dropout 用于估计客户端置信度并在聚合时加权贡献。
• 损失组成：结合图像域重建、异方差噪声建模和投影域一致性。
• 训练使用类 FedAvg 的联邦轮次，参数规模为 O(1) 的量级并离线解剖特征提取。

实验结果

研究问题

• RQ1 投影域（sinogram 空间）监督是否比图像域方法在 LDCT 联邦学习中更好地将扫描仪噪声与解剖结构分离？
• RQ2 双重自适应（解剖感知与协议感知）并具有投影一致性是否能在异质协议下改善重建质量？
• RQ3 不确定性引导的聚合是否对具有不同协议的多机构鲁棒联邦学习有效？
• RQ4 投影基损失（前向、后向、循环）对 LDCT 去噪性能的影响？
• RQ5 ProFed 在未见患者与未见协议上的泛化能力如何？

主要发现

Method	Average PSNR (CNN)	Average SSIM (CNN)	Average PSNR (Transformer)	Average SSIM (Transformer)
ProFed (Ours)	42.56	98.23	44.83	98.61

• ProFed 在 Mayo Clinic 2016 上采用 CNN 主干达到 42.56 dB PSNR，超越 11 个联邦基线。
• ProFed 在 Transformer 主干下达到 44.83 dB PSNR，较 SCAN-PhysFed 提升多达 +1.42 dB。
• 在未见客户端上，ProFed 达到 39.17 dB PSNR，展示对新协议和患者的鲁棒泛化。
• 不确定性引导的聚合提高了有效的联邦学习，投影域监督相较于图像域方法带来显著增益。
• 消融研究表明完全的投影引导双重自适应获得最佳性能，增加投影损失和双重自适应组件约带来 +0.9 到 +1.4 dB 的提升。
• 在可扩展性方面，ProFed 对联邦规模保持 O(1) 参数增长，并通过离线解剖特征提取将通信开销降低 14%。