본 논문은 개인화 연합 학습(PFL)을 활용하여 여러 환자의 데이터를 공유하면서도 데이터 프라이버시를 유지하는 종양 분할을 위한 새로운 접근 방식인 FedOAP(Organ Agnostic Personalized Federated Learning)를 제안합니다. FedOAP는 다양한 장기의 분할 데이터를 가진 클라이언트 간의 공유 특징을 활용하기 위해 교차 주의 메커니즘과 경계 인식 손실을 사용합니다. 구체적으로, FedOAP는 각 클라이언트가 로컬 쿼리를 유지하면서 모든 클라이언트에서 집계된 전역 공유 키-값 쌍에 참여할 수 있도록 하는 분리된 교차 주의(DCA)를 활용하여 장거리 상호 장기 특징 종속성을 캡처합니다. 또한, 예측된 마스크의 경계 불일치에 초점을 맞춰 모델이 마진을 더욱 정확하게 국소화하도록 하는 교란된 경계 손실(PBL)을 도입합니다. 다양한 종양 분할 작업에 대해 FedOAP를 평가한 결과, 기존의 최첨단 연합 및 개인화 분할 방법을 지속적으로 능가하는 성능을 보였습니다.
