不同脑疾病和 MRI 模态下的客户数据库联邦学习的可行性

通过联合训练多模态 MRI 数据库，能够实现病理分割，并为今后的研究提供指导。

使用联邦学习框架对医学影像进行癌症分期，克服患者数据隐私问题。

提出了一种新颖的联邦学习架构，适应数据样本的异质性，解决跨多个数据模态的收敛速度差异。

研究表明，联邦学习在多模态脑扫描的分割性能与共享数据的训练模型相似。

创新性地使用联邦学习方法，提高医学图像分类的准确性和效率，展示在 MRI 脑肿瘤检测中的应用效果。

提出并评估了名为 FedMM 的联邦多模态学习框架，增强分类性能，解决隐私问题。

针对磁共振图像重建提出联邦学习解决方案，保护患者隐私并提高重建效果。

使用标签修正策略解决多发地点协作中的数据隐私和标签噪声问题，提升数据可靠性。

提出基于多源数据共享的交叉模态垂直联邦学习框架，减轻模态差异带来的领域漂移问题。

利用知识蒸馏和对称损失提高联邦学习中全局模型的效率，实验证明其优越性。

面向农村医疗机构的脑组织分割新框架，通过有限数据集训练，验证分割准确性。