14214

يادگيري فدرال در بازسازي تصاوير MRI

1402

دكتر ابوذر غفاري

اهميت يادگيري فدرال در حوزه بازسازي تصاوير MRI به دليل نياز به حفظ حريم خصوصي بيمار و همچنين افزايش كارايي در استفاده از داده‌هاي چند مؤسسه/بيمارستان‌اي به سرعت در حال افزايش است. اين تحقيق به بررسي راهكارهاي نوين استفاده از يادگيري فدرال براي بهبود كيفيت بازسازي تصاوير MRI پرداخته و از آن به عنوان ابزاري براي افزايش دقت تصاوير و حفظ ويژگي‌هاي خاص داده‌هاي محلي بهره مي‌گيرد. در اين تحقيق، از مدل‌هاي يادگيري فدرال استفاده شده كه بدون نياز به انتقال داده‌هاي حساس بيماران، امكان آموزش مدل‌ها بر روي داده‌هاي غيرمتمركز از مؤسسات/بيمارستان‌ها مختلف را فراهم مي‌آورند. مزيت اصلي اين روش، قابليت تعامل با داده‌هاي ناهمگون و سازگاري با شرايط مختلف مؤسسات/بيمارستان‌ها است، در حالي كه معايب آن شامل چالش‌هايي در زمينه تضمين همگرايي و كاهش كارايي در شبكه‌هاي با تنوع بالاي داده‌ها مي‌باشد. در اين تحقيق، ويژگي‌هاي منحصر به فرد محلي هر مؤسسه/بيمارستان با داده‌هاي جهاني ادغام شده و بدون تخريب عملكرد كلي، بازسازي بهتري از تصاوير MRI ارائه مي‌شود. نتايج نهايي نشان مي‌دهند كه روش يادگيري فدرال منجر به بهبود چشمگير در دقت بازسازي تصاوير شده و مشكلات مربوط به ناهمگوني داده‌ها را نيز برطرف مي‌كند. اين مطالعه همچنين نوآوري‌هايي نظير استفاده از نرمال‌سازي محلي داده‌ها و كاربرد مدل‌هاي مولد براي بازسازي دقيق‌تر را معرفي مي‌كند كه راه را براي پيشرفت‌هاي بيشتر در اين زمينه هموار مي‌سازد.

11/13/2024 12:00:00 AM

85076

1403/09/07

Federated Learning in MRI Reconstruction

يادگيري فدرال، بازسازي MRI، حريم خصوصي داده، ناهمگوني داده‌ها، همكاري چند مؤسسه/بيمارستان‌اي

Federated learning, MRI reconstruction, Data privacy, Data heterogeneity, Multi-institutional collaboration