【技术实现步骤摘要】
面向多站点三维影像的联邦深度学习方法及系统
[0001]本专利技术涉及三维影像联邦深度学习技术,具体涉及一种面向多站点三维影像的联邦深度学习方法及系统。
技术介绍
[0002]三维影像作为三维世界的真实结构成像,常常包含了对于目标的真实结构信息,在三维点云分割识别、真实场景建模、医学成像的分类诊断等众多领域有着丰富的应用前景。以医学三维成像为例,包括CT、MRI等多种非侵入式的成像技术,常常作为医生对被试进行诊疗的辅助手段,目前的成像技术可以实现较为精准的呈现被试目标区域的三维成像,对被试在不同疾病相关的目标区域是否产生差异进行辨识提供了方法学和数据结构的支撑。
[0003]近年来深度学习在二维图像的模式识别和分类领域逐渐显现出巨大的优势和强大的能力,但是一个有效的深度学习模型需要大规模有标签的训练样本。由于三维影像数据相比映射在平面的二维数据拥有更多的空间特征信息,其采集、准确标注、大量存储和执行计算的成本相比二维图像要求更高,这样的成本任何的单一站点都难以承担;同时三维影像数据中又包含了包括场景、结构等等更多的隐 ...
【技术保护点】
【技术特征摘要】
1.一种面向多站点三维影像的联邦深度学习方法,其特征在于,包括单个站点执行的下述步骤:1)选择联邦中的深度学习网络模型;2)使用私有数据对深度学习网络模型进行本轮训练,完成本轮训练后跳转下一步;3)将本轮训练得到梯度信息发送给指定的中央计算服务器;4)收到中央计算服务器返回的融合其他站点发送的梯度信息后的全局梯度信息;5)采用全局梯度信息更新深度学习网络模型;6)判断是否需要继续训练,若需要继续训练,则跳转步骤2);否则,最终完成训练后得到专属的深度学习网络模型。2.根据权利要求1所述的面向多站点三维影像的联邦深度学习方法,其特征在于,步骤3)中将本轮训练得到梯度信息发送给指定的中央计算服务器时是指:将本轮训练得到梯度信息加密后发送给指定的中央计算服务器。3.根据权利要求1所述的面向多站点三维影像的联邦深度学习方法,其特征在于,步骤2)中使用私有数据对深度学习网络模型进行本轮训练时,所述私有数据是指被试的结构磁共振成像获得的三维的图像矩阵。4.根据权利要求3所述的面向多站点三维影像的联邦深度学习方法,其特征在于,所述三维的图像矩阵尺寸大小为H
×
L
×
W,其中H
×
W对应横向二维图像尺寸的大小,L为结构脑影像成像时的纵向切片数量。5.根据权利要求4所述的面向多站点三维影像的联邦深度学习方法,其特征在于,步骤2)使用私有数据对深度学习网络模型进行本轮训练之前还包括建立私有数据的训练集和测试集的步骤:分别将正常人和患者作为被试,采集被试的结构磁共振成像,并经过预处理获得被试的三维的图像矩阵,并将被试的结构磁...
【专利技术属性】
技术研发人员:曾令李,范智鹏,胡德文,沈辉,苏建坡,高凯,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。