Federated Pseudo-Labeling: A Data-Centric, Privacy-Preserving Framework for Medical Image Segmentation
Notice bibliographique
Résumé
Although essential in the medical domain, protecting patient privacy often restricts data sharing across institutions. Moreover, publicly available datasets often suffer from poor and inconsistent annotation-particularly for image segmentation that requires precise pixel- or voxel-level annotations. As a result, deep learning models are frequently trained on single-institution datasets that are small and lack the heterogeneity of broader patient populations, which limits their generalizability. Federated learning (FL) enables collaborative model training across institutions by sharing model parameters instead of raw medical data. However, it requires uniform model architectures, which may not align with local hardware or software, and still exposes privacy risks through parameter sharing. Further, coordination across institutions with varying data volumes and annotation standards remains challenging, and exchanging model weights-especially for large models-is costly and slow. To address these limitations, we propose DCFed, a data-centric, semi-supervised framework that avoids sharing private data and model parameters by leveraging pseudo-labeling and uncertainty estimation on publicly available unannotated datasets. In our experiments, we use a modified U-Net with residual blocks, atrous spatial pyramid pooling, and convolutional block attention modules at the client level. DCFed improves performance by up to 8.9% on a breast cancer ultrasound dataset and 3.7% on a skin cancer dermoscopy dataset over local training. Notably, DCFed outperforms conventional FL methods such as FedAvg and FedNova across multiple clients in both tasks. In conclusion, DCFed surpasses both centralized training on local datasets and parameter-sharing FL approaches across institutions, establishing a scalable and privacy-preserving solution for real-world medical image segmentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».