CARE-WHS 2026

联邦学习提升跨模态医学图像分割能力

一篇新研究论文探讨了使用联邦学习技术来改进跨模态医学图像分割，解决了数据分布在不同机构和成像协议各异带来的挑战。该研究特别调查了增强驱动的泛化，发现全局强度非线性（GIN）增强在整合计算机断层扫描（CT）和磁共振成像（MRI）数据时显著提高了性能。结果显示，在胰腺分割和全心脏分割的Dice相似系数方面有显著改进，并且联邦GIN与集中式训练相比，性能保留率很高。