Code: https://github.com/tommy-qichang/AsynDGAN
Motivation
- 隐私问题在每个领域都很重要，尤其是在医疗领域。
- 由于政策的限制，每年产生的医疗影像很多，然而能够获得的数据太少。
Methods
贡献
没有针对特定任务训练模型，而是分布式学习判别器，集中学习生成器，生成新数据。
- 能够在不共享患者原始数据的情况下，从多个数据集中了解真实图像的分布情况。
- 与其他分布式深度学习方法相比，更高效，所需带宽更低。
- 与一个真实数据集训练的模型相比，具有更高的性能，与所有真实数据集训练的模型相比，性能几乎相同。
- 证明保证了生成器能够以一种非常重要的方式学习分布的分布，从而是无偏的。
网络结构
所有结构共用同一个生成器，在不同医院实体中采用不同参数的判别器。
对于分割任务，采用UNet来测试性能。
中央生成器
- 对于分割任务，采用自编码器（Encoder-Decoder）。
- 降采样使用stride为2的卷积，9个残差块，两个反卷积。
- 非残差块采用BN和ReLU。
- 第一层和最后一层使用\(7 \times 7\)卷积核外，其他卷积使用\(3 \times 3\)卷积核。
判别器
每一个医院使用不同参数的判别器，分割任务中采用PatchGAN
优化过程
依次优化判别器后，最后再优化生成器。
更新G时，使用判别损失\(\sum_{j=1}^{N}{loss(D_{j})}\)。
Experiments
Datasets
- BraTS2018
- Multi-Organ
Results
