FedLPPA：联邦弱监督医学图像分割中个性化提示和聚合的学习
内容提要
该文综述了面向医学图像等领域的多种个性化联邦学习方法，包括FedICRA、pFedPG、LC-Fed、FedLPA、pFedLA、FedSpa、AUG-FedPrompt、FedIIC等，这些方法通过自适应对比表示、提示生成、稀疏掩码、数据增强等策略，解决数据异构与隐私问题，提升分割与视觉问答性能。
延伸解读
个性化联邦学习的医学图像分割进展
文章综述了多种个性化联邦学习方法在医学图像分割中的应用，如FedICRA、LC-Fed、pFedPG等。这些方法针对数据异构和隐私问题，通过自适应对比表示、提示生成、局部校准等策略，提升分割性能。其中FedICRA在弱监督下统一利用异构信息，LC-Fed利用跨机构不一致性，pFedPG通过提示生成器实现高效个性化。这些进展表明个性化联邦学习能有效应对医学图像分割中的挑战。
方法策略的多样性与适用场景
不同方法采用了各异的技术路线：FedICRA结合自适应聚类和元素更新聚合；pFedPG在服务器端学习提示生成器；LC-Fed利用特征和预测层次的不一致性；FedSpa使用个性化稀疏掩码；AUG-FedPrompt基于数据增强。这些策略分别针对通信效率、计算复杂性、数据稀缺等不同问题，读者可根据具体场景选择合适的方法。
弱监督与隐私保护的平衡
医学图像分割常面临标注成本高和隐私敏感的问题。FedICRA通过弱监督减少标注需求，同时保护隐私；pFedPG和AUG-FedPrompt也注重隐私保护。这些方法在提升性能的同时，降低了标注成本，并避免了数据集中存储的风险，为医学图像分析提供了实用解决方案。
Q&A
FedICRA 是什么？它如何利用弱监督信息进行医学图像分割？
FedICRA 是一种面向医学图像分割的个性化联邦学习框架，它利用自适应对比表示和聚合来统一利用异构的弱监督信息。通过自适应的聚类和单个元素更新的聚合方式，将全局模型中的公共知识与本地模型中的独特知识相融合，同时减少标注成本，在两个不同模态的医学图像分割任务中超越了其他最先进的个性化联邦学习方法。
pFedPG 是如何实现个性化联邦学习的？
pFedPG 是一种个性化联邦学习框架，它在服务器上学习部署个性化提示生成器，生成适应本地数据分布的特定于客户端的视觉提示，以实现从大规模模型中获取强大表示能力，同时为异构客户端实现高效个性化模型优化。
LC-Fed 如何提升医学图像分割性能？
LC-Fed 引入局部校准，利用特征和预测层次的跨机构不一致性，提出了一种个性化联邦学习框架，用于提高医学图像分割的性能。在三个不同模态的任务上，该方法始终比最先进的个性化联邦学习方法表现更优。
FedLPA 中的分层后验聚合是什么？
FedLPA 通过一次性聚合方法并引入分层后验聚合的新方法，实现在其他机器学习领域中每一层的数据的继承和共享，从而显著提升了该方法的学习性能。
pFedLA 如何解决联邦学习中的数据异构性问题？
pFedLA 通过将关注机制纳入客户端的个性化模型，并保持关注块客户化，从而在任何联邦学习方法中提高其性能，解决不同客户端的局部数据异构性所带来的性能下降问题。
FedSpa 有什么优势？
FedSpa 采用个性化稀疏掩码来在边缘上自定义稀疏的本地模型，理论和实验表明，它不仅节省了通信和计算成本，而且在模型准确性和收敛速度方面表现优异。
