kuma202204141717325/examples/AISyn-EllipseNet

• • 基于协同计算的产前先天性心脏病医学影像分析与应用
• Citation

基于协同计算的产前先天性心脏病医学影像分析与应用

数据集：训练集总共病例图像：1669，normal：468，abnormal：230，other：971
基础模型：EllipseNet
实验场景描述：2方参与的EllipseNet模型协同训练，数据划分成2份，各方数据集中normal、abnormal和other类型的数据量根据比例划分，具体比例见实验结果表。训练epoch=200，协同训练时每个epoch同步一次模型参数，采用平均融合策略
训练流程：

• client1执行：

./experiments/exp1_client1_JointTrain_base_theta5_iou.sh

• client2执行：

./experiments/exp1_client2_JointTrain_base_theta5_iou.sh

• server端执行：

./src/server.py

实验结果：

结论：

• 验证了协同计算在儿童心脏检测应用场景的有效性，协同训练模型检测准确率高于参与方单独训练时模型准确率
• 参与方数据分布的不均匀性影响协同计算训练检测模型准确率上限，数据分布越均匀，协同训练效率越接近数据聚合时准确率
• 协同训练时模型会因为数据分布和模型融合更新周的变化出现一些loss收敛波动

Citation

If you find this project useful for your research, please use the following BibTeX entry.

Chen J., Zhang Y., Wang J., Zhou X., He Y., Zhang T. (2021) EllipseNet: Anchor-Free Ellipse Detection for Automatic Cardiac Biometrics in Fetal Echocardiography. In: de Bruijne M. et al. (eds) Medical Image Computing and Computer Assisted Intervention – MICCAI 2021. MICCAI 2021. Lecture Notes in Computer Science, vol 12907. Springer, Cham. https://doi.org/10.1007/978-3-030-87234-2_21