摘要：联邦学习作为一种隐私保护框架，在医疗图像领域具有重要应用前景。本文中，较为详细地对联邦学习的发展历程、模型框架结构、研究的具体领域进行了介绍。同时，本文叙述了近年来联邦学习在医疗领域应用到若干种具体场景，并且对这些场景所遇到的具体问题进行了分析和阐述。当前，在联邦学习中普遍存在的数据异质性和类不平衡问题较为突出，它们严重影响了模型的性能和泛化能力。因此，针对这两个具体问题，本文提出了一种综合解决数据异质性和类不平衡问题的联邦学习框架。首先，针对数据异质性问题：在局部模型中，用幅度归一化将图像转换为频域信号，分解出代表低层次特征的幅度频谱，在保护核心结构语义不被破坏的同时，平衡各医疗机构所给出图像数据的低级特征；在全局模型中，对其聚合过程引入权重扰动这一随机性参数，不断优化梯度方向，从而避免局部陷阱。其次，针对不平衡问题：采用两级监督对比学习，对客户端内、客户端之间进行特征表示的优化，平衡特征之间的相似性，优化了先验概率分布，提升了分类模型的准确度。最后，在ISIC 2019皮肤病图像数据集上进行了模拟实验。结果表明，相较于主流的联邦学习方法如FedAvg、FedFocal、PRR-Imb、CLIMB等，本文的算法在所评测的性能指标上拥有更好的表现。
关键词：联邦学习; 数据异质性; 类不平衡; 医疗图像分类
(本项目基于 FedIIC 公开的代码框架，进行自定义改进和编辑，见下面引用)
@inproceedings{Wu2023FedIIC, title={FedIIC: Towards Robust Federated Learning for Class-Imbalanced Medical Image Classification}, author={Wu, Nannan and Yu, Li and Yang, Xin and Cheng, Kwang-Ting and Yan, Zengqiang}, booktitle={MICCAI}, year={2023} }