BrainFL: Học liên kết với các máy khách không đồng nhất cho phân loại bệnh não
DOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE9.2025.101-110Từ khóa:
Học liên kết; Máy khách không đồng nhất; Phân loại bệnh não.Tóm tắt
Trong lĩnh vực y tế, quyền riêng tư dữ liệu là một mối quan ngại cốt yếu. Một chiến lược gần đây huấn luyện các mô hình trí tuệ nhân tạo (AI) cho các vấn đề liên quan đến y tế là học liên kết (FL), nơi các mô hình được huấn luyện cục bộ tại phía máy khách, và chỉ các trọng số mã hóa của chúng được gửi đến máy chủ trung tâm để tổng hợp. Tuy nhiên, dữ liệu thu thập từ các phòng khám hoặc tổ chức khác nhau có thể khác biệt đáng kể về chất lượng, số lượng và phân phối. Ngoài ra, tính sẵn có của các máy khách tham gia vào quá trình huấn luyện thường không nhất quán. Hơn nữa, các đặc trưng của một số bệnh lý nhất định có thể ảnh hưởng mạnh mẽ đến hiệu suất của các thuật toán FL. Trong bài báo này, chúng tôi tập trung vào việc phân loại các bệnh lý về não sử dụng hình ảnh y khoa. Chúng tôi thiết kế một khung tên là BrainFL để khảo sát một số thuật toán FL (FedAvg, FedNH và FedProto), kết hợp với các mạng nơ-ron tích chập (CNN) nhẹ (hai mạng được thiết kế tùy chỉnh tên là BrainCNN-2 và BrainCNN-4, và mạng ResNet-18 tiêu chuẩn) cho việc trích xuất đặc trưng và phân loại. Mục tiêu của chúng tôi là đánh giá ba yếu tố then chốt ảnh hưởng đáng kể đến hiệu suất tổng thể của nhiệm vụ: phân phối dữ liệu cục bộ, tính sẵn có của khách hàng và biến thiên bệnh lý. Các thí nghiệm được thực hiện trên hai bộ dữ liệu chuẩn về hình ảnh bệnh não: ICH (xuất huyết nội sọ) và Brain Tumors (U não), dưới nhiều thiết lập thí nghiệm khác nhau (ví dụ: tỷ lệ tham gia của máy khách và các mức độ dữ liệu không đồng nhất). Các kết quả thu được cung cấp những hiểu biết giá trị cho việc triển khai các khuôn khổ FL tương tự trong các ứng dụng thực tiễn.
Tài liệu tham khảo
[1]. P. Khan et al., “Machine learning and deep learning approaches for brain disease diagnosis: Principles and recent advances”, IEEE Access, vol. 9, pp. 37622–37655, (2021).
[2]. Rauniyar et al., “Federated learning for medical applications: A taxonomy, current trends, challenges, and future research directions”, IEEE Internet of Things Journal, vol. 11, no. 5, pp. 7374–7398, (2024).
[3]. K. L. D. Viet, K. L. Ha, T. N. Quoc, and V. T. Hoang, “MRI brain tumor classification based on federated deep learning”, Proceedings of the Zooming Innovation in Consumer Technologies Conference (ZINC), pp. 131–135, (2023).
[4]. E. Albalawi et al., “Integrated approach of federated learning with transfer learning for classification and diagnosis of brain tumor”, BMC Medical Imaging, vol. 24, no. 1, p. 110, (2024).
[5]. L. Zhou, M. Wang, and N. Zhou, “Distributed federated learning-based deep learning model for privacy MRI brain tumor detection”, arXiv preprint, arXiv:2404.10026, (2024).
[6]. S. Nalawade et al., “Federated learning for brain tumor segmentation using MRI and transformers”, Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries, Lecture Notes in Computer Science, vol. 12963, pp. 444–454, (2022).
[7]. S. Deepak and P. M. Ameer, “Brain tumor classification using deep CNN features via transfer learning”, Computers in Biology and Medicine, vol. 111, p. 103345, (2019).
[8]. Saleh, R. Sukaik, and S. S. Abu-Naser, “Brain tumor classification using deep learning”, Proceedings of the International Conference on Assistive and Rehabilitation Technologies (iCareTech), pp. 131–136, (2020).
[9]. M. I. Sharif, M. A. Khan, M. Alhussein, K. Aurangzeb, and M. Raza, “A decision support system for multimodal brain tumor classification using deep learning”, Complex & Intelligent Systems, vol. 8, no. 4, pp. 3007–3020, (2022).
[10]. H. Mohsen, E.-S. A. El-Dahshan, E.-S. M. El-Horbaty, and A.-B. M. Salem, “Classification using deep learning neural networks for brain tumors”, Future Computing and Informatics Journal, vol. 3, no. 1, pp. 68–71, (2018).
[11]. V. K. Waghmare and M. H. Kolekar, “Brain tumor classification using deep learning”, Internet of Things for Healthcare Technologies, Springer, pp. 155–175, (2020).
[12]. Y. Tan et al., “FedProto: Federated prototype learning across heterogeneous clients”, arXiv preprint, arXiv:2105.00243, (2021).
[13]. Y. Dai, Z. Chen, J. Li, S. Heinecke, L. Sun, and R. Xu, “Tackling data heterogeneity in federated learning with class prototypes”, Proceedings of the AAAI Conference on Artificial Intelligence, pp. 7314–7322, (2023).
[14]. M. A. Stein et al., “RSNA intracranial hemorrhage detection”, Kaggle Competition Dataset, (2019).
[15]. M. Nickparvar, “Brain tumor MRI dataset”, Kaggle Dataset, (2021).
