Federated nnU-Net for Privacy-Preserving Medical Image Segmentation
Created by
- Haebom
Category
Empty
저자
Grzegorz Skorupko, Fotios Avgoustidis, Carlos Martin-Isla, Lidia Garrucho, Dimitri A. Kessler, Esmeralda Ruiz Pujadas, Oliver Diaz, Maciej Bobowicz, Katarzyna Gwozdziewicz, Xavier Bargallo, Paulius Jaru\v{s}evi\v{c}ius, Kaisar Kushibar, Karim Lekadir
개요
본 논문은 중앙 집중식 접근 방식의 한계를 극복하기 위해, 의료 영상 분할에서 gold standard로 자리매김한 nnU-Net을 분산 학습 환경으로 확장한 FednnU-Net을 제안합니다. 기존 nnU-Net의 중앙 집중식 접근 방식은 민감한 환자 정보 유출 및 개인 정보 침해의 위험이 있으나, FednnU-Net은 연합 학습을 통해 이러한 문제를 해결합니다. 본 논문에서는 두 가지 새로운 연합 학습 방법인 Federated Fingerprint Extraction (FFE)과 Asymmetric Federated Averaging (AsymFedAvg)을 nnU-Net 프레임워크에 도입하고, 18개 기관의 샘플을 포함하는 6개 데이터셋을 사용하여 유방, 심장, 태아 분할에서의 성능을 실험적으로 입증합니다. 또한, 개인 정보 보호가 중요한 기관에서 분산 학습의 연구 및 배포를 촉진하기 위해 플러그 앤 플레이 프레임워크를 공개합니다 (소스 코드: https://github.com/faildeny/FednnUNet).
시사점, 한계점
•
시사점:
◦
nnU-Net을 연합 학습 환경으로 확장하여 의료 영상 분할에서 개인 정보 보호 문제를 해결하는 새로운 방법 제시.
◦
FFE와 AsymFedAvg라는 두 가지 새로운 연합 학습 방법의 효과성을 실험적으로 검증.
◦
플러그 앤 플레이 프레임워크 공개를 통한 분산 학습 연구 및 활용 촉진.
•
한계점:
◦
사용된 데이터셋의 종류와 규모에 대한 자세한 설명 부족.
◦
다양한 의료 영상 분할 태스크에 대한 일반화 성능 검증 필요.
◦
연합 학습의 특성상 통신 오버헤드 및 학습 속도 저하 문제에 대한 추가적인 분석 필요.
