FedGS：异构医疗图像分割的联邦梯度缩放
内容提要
本文介绍了多种基于联邦学习的医学图像分割方法，如ELCSF、FedSM、SegViz和FedICRA，旨在解决客户端漂移和注释不完整的问题。这些方法在保护隐私的同时，显著提升了模型的泛化能力和分割准确性，尤其在农村医疗机构中表现优异。
延伸解读
联邦学习应对医学图像分割的隐私与标注挑战
医学图像分割中，联邦学习能在保护隐私的同时利用分布式数据。但现有方法多假设客户端标注完整一致，而实际中标注不完整普遍存在，可能引入错误像素损害模型性能。本文回顾的ELCSF、FedSM等方法分别针对客户端漂移、标注不完整等问题提出解决方案，反映了该领域从理想假设向现实挑战的演进。
从客户端漂移到标注噪声：技术路线的分化
早期方法如FedSM关注客户端漂移，通过个性化联邦学习目标SoftPull缓解；后续工作如FedICRA、FedLPPA则利用弱监督和提示学习处理异构标注。FedA^3I和FedIA进一步将标注不完整视为噪声，通过客户端噪声估计或完整性评估来调整聚合权重。这些路线显示，联邦医学图像分割正从单纯保护隐私转向同时处理数据质量缺陷。
农村医疗场景下的落地验证与效率考量
针对农村医疗机构，有框架结合深度强化学习与本地细化模型，在有限数据集上达到92%的平均准确率，验证了在多样性场所的分割准确性。同时，FedFMS通过联邦SAM适配器提升通信和训练效率，在保持隐私的同时达到与集中式训练相媲美的性能。这表明联邦学习在资源受限场景中具有实际应用潜力。
Q&A
ELCSF方法是如何实现医学图像分割的泛化的？
ELCSF方法通过保护隐私的方式在客户端间传输分布信息，实现从多个分布式来源域学习联合模型，从而提升医学图像分割的泛化能力。
FedSM框架解决了什么问题？
FedSM框架旨在避免客户端漂移问题，并成功解决中心化训练的泛化差距，为医学图像分割提供新方法。
SegViz框架的优势是什么？
SegViz框架能够从部分标注的数据集中训练分割模型，并在外部测试集上表现优于其他基准模型。
FedICRA框架如何减少标注成本？
FedICRA框架利用自适应对比表示和聚合统一利用异构的弱监督信息，从而减少标注成本。
FedA^3I方法的主要创新点是什么？
FedA^3I方法通过客户端噪声估计提高高质量客户端的权重，优于现有处理跨客户端注释噪声的方法。
针对农村医疗机构的脑组织分割框架有什么特点？
该框架通过有限数据集训练，验证了其在多样性场所的分割准确性，平均准确率达到92%。
