English(EN) QFedPolyp: A Communication- and Inference-Efficient Federated Learning Framework for Polyp Segmentation

新框架通过高效联邦学习提升息肉分割能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-28 04:00

研究人员开发了QFedPolyp，一个旨在提高息肉分割效率的新型联邦学习框架。该框架结合了感知量化训练和低精度模型通信，显著降低了传输成本和推理时间。通过在本地训练轻量级U-Net模型并传输量化参数，QFedPolyp能够在不损害分割精度的前提下，实现医院间的隐私保护协作。 AI

影响该框架有望在医疗保健领域实现更高效、更注重隐私的AI应用，特别是在医学图像分析方面。

排序理由详细介绍联邦学习新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Madan Baduwal, Priyanka Paudel · 2026-07-28 04:00

QFedPolyp: A Communication- and Inference-Efficient Federated Learning Framework for Polyp Segmentation

arXiv:2607.22743v1 Announce Type: cross Abstract: Background and Objective: Automatic polyp segmentation supports computer-aided diagnosis and early colorectal cancer detec- tion. Centralized deep learning requires hospitals to share sensitive medical data, while federated learni…