Alessandro Di Matteo

联邦学习框架适配AI模型用于胎儿超声分析

研究人员开发了FedCC，一个用于胎儿超声图像中胼胝体定位的联邦学习框架。该方法专为低资源临床环境设计，通过使用轻量级模块自适应基础模型来避免数据共享。FedCC集成了冻结的DINOv2骨干网络和基于YOLO的检测头，并采用低秩自适应（LoRA）来最小化计算和通信开销。在多中心数据集上的评估证明了FedCC的有效性，实现了0.857的高mAP@50和0.803的F1分数，同时与完全微调相比，显著减少了可训练参数和通信成本。