Federated MRI reconstruction with deep generative models

Çok kurumlu çabalar, görüntüleme verilerinin tesisler arası paylaşımı sırasında ortaya çıkan gizlilik risklerine rağmen derin MRG rekonstrüksiyon modellerinin eğitimini kolaylaştırabilir. Son zamanlarda gizlilik endişelerine yanıt olarak sunulan Federe Öğrenme (FÖ), görüntüleme verileri aktarılmaksızın dağıtık model eğitimini mümkün kılmaktadır. Mevcut FÖ yöntemleri, hızlandırılmış görüntüleme operatörünün açık bilgisini kullanarak, eksik örneklemeyle tam örnekleme arasında koşullu rekonstrüksiyon modellerini kullanır. Koşullu modeller, farklı hızlanma oranları veya örnekleme yoğunlukları arasında genelleme yapamadıklarından, görüntüleme operatörleri eğitim ve test arasında sabitlenmeli ve genellikle tesisler arasında eşleştirilmelidir. Hasta gizliliğini korumak, rekonstrüksiyon performansını ve çoklu tesis işbirliklerinde esnekliği arttırmak için, MRG rekonstrüksiyonunda üretken görüntü önselinin federe öğrenilmesi (FedGIMP) tanıtıyoruz. FedGIMP, iki aşamalı bir yaklaşım kullanır: üretken bir MRG önselinin tesisler arası öğrenmesi ve görüntüleme operatörünün enjekte edilmesinden sonra önsel uyarlaması. Global MRG önseli, latent değişkenlere dayalı koşulsuz bir çekişmeli modelle yüksek kaliteli MR görüntüleri sentezleyecek şekilde eğitilir. Yeni bir haritalayıcı alt ağı, önselde özgünlüğü korumak için tesise özgü latent değişkenler üretir. Çıkarım sırasında, önsel önce öznel örnekleme operatörleriyle birleştirilir ve rekonstrüksiyonu mümkün kılar, ardından veri tutarlılık kaybını en aza indirecek şekilde tekil çapraz kesitlere göre optimize edilir. Çoklu kurumsal veri kümelerinde yapılan kapsamlı deneyler, FedGIMP'in, koşullu modellere dayalı hem merkezi hem de FÖ yöntemlerine göre önemli ölçüde performansın artışı sağladığını göstermektedir.