[发明专利]一种基于联邦学习的疾病筛查方法

说明书

本发明公开了一种基于联邦学习的疾病筛查方法，包括如下步骤：1)组建共享数据集；2)预训练；3)计算精确度均值；4)数据量计算；5)收敛。本发明属于联邦学习、深度学习技术领域，具体是一种基于联邦学习的疾病筛查方法，结合了联邦学习以及深度学习的知识，可以更充分利用各地数据，高效准确的进行疾病诊断。

技术领域

本发明属于联邦学习、深度学习技术领域，具体是指一种基于联邦学习的疾病筛查方法。

背景技术

医学图像是反映解剖区域内部结构或内部功能的图像，它是由一组图像元素——像素(2D)或立体像素(3D)组成的。医学图像是由采样或重建产生的离散性图像表征，它能将数值映射到不同的空间位置上。像素的数量是用来描述某一成像设备下的医学成像的，同时也是描述解剖及其功能细节的一种表达方式。像素所表达的具体数值是由成像设备、成像协议、影像重建以及后期加工所决定的。但是有时每位患者检查数据甚至多达上千幅图像，假设疾病在集中爆发时，图像更多。单凭医师诊断，导致效率慢。联邦学习结合深度学习对图像数据进行处理，能够综合利用数据，快速对图像进行分析，准确诊断。

最接近本发明的技术有：

1、基于深度学习的图像分类算法：图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题。深度学习中主要使用卷积神经网络(Convolution Neural Network，CNN)进行图像分类，将图像的像素信息作为输入，通过卷积操作进行特征的提取和高层抽象，模型输出直接是图像识别的结果。目前常见的图像分类CNN网络有Lenet、Alxnet、Vgg系列、Resnet系列、Inception系列、Densenet系列、Googlenet等。但该方法无法综合利用各地医院的数据进行综合处理，导致准确率较低性能较差。

2、DeCoVNet网络是弱监督学习算法。在疾病病例分布不均匀且总体数量较少的情况下，具有较重的现实意义。它具有运算速度快，求数据标签要求少的特点，但是仍然具有准确率不高的缺点以至于容易产生误诊。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供一种基于联邦学习的疾病筛查方法，结合了联邦学习以及深度学习的知识，可以更充分利用各地数据，高效准确的进行疾病诊断。

本发明采取的技术方案如下：本发明一种基于联邦学习的疾病筛查方法，包括如下步骤：

1)服务器组建共享数据集，将初始模型(U-Net++、DeCoVNet)下发至参与训练客户端；

2)当客户端运行第一个epoch时，利用无监督学习训练得出带有标记的mask以及带有标记的训练集对U-Net++模型进行预训练；所有的训练集经过预训练之后的U-Net++模型，得出所有训练集的mask；所有训练集的mask、训练集以及标签共同进入判断模型DeCoVNet，对训练集进行训练；所有测试集的mask以及测试集进入判断模型DeCoVNet进行测试；计算本地精度，并上传服务器；

3)服务器收集参与训练的客户端的精度并求出精度均值；

4)运行第二个epoch前，若某个客户端的精度小于精度均值，则下发m条数据至客户端。其公式如下：m＝i×n，其中i＝(acc_avg-acc_i)/(acc_avg-acc_min)，n为共享数据集大小，且其下发数据集不得大于其客户端本身数据量；

5)从第二个epoch以后，拥有下发共享数据集的客户端将共享数据集与自身数据集一同训练模型，直至整体模型收敛。。

采用上述结构本发明取得的有益效果如下：本方案一种基于联邦学习的疾病筛查方法，通过深度学习卷积神经网络对医学图像建立模型，有效提升疾病诊断准确率；利用联邦学习综合利用各医院节点数据，提升模型泛化能力；提出一种动态融合策略，提升系统整体准确率。

附图说明