基于联邦学习多中心首发精神分裂症患者的识别方法、装置及系统制造方法及图纸

本发明专利技术公开了一种基于联邦学习多中心首发精神分裂症患者的识别方法、装置及系统，基于多中心个性化联邦学习的客户端

【技术实现步骤摘要】
基于联邦学习多中心首发精神分裂症患者的识别方法、装置及系统


[0001]本专利技术涉及图像处理领域，尤其涉及一种基于联邦学习多中心首发精神分裂症患者的识别方法、装置及系统。

技术介绍

[0002]精神分裂症是一种严重的慢性精神疾病，在一般人群中的终生患病率约为1％。精神分裂症的主要临床表现包括阳性症状、阴性症状和认知功能障碍。在晚期，长期的负面症状和认知功能障碍剥夺了患者的独立生活，而且近几年来，精神分裂症的发病率不断上升，发病年龄也越来越年轻，给家庭、社会和世界带来了巨大的经济负担。然而，精神分裂症的发病机制尚不清楚，许多研究表明，它是一种与大脑结构和功能异常相关的大脑疾病。尽管许多研究对精神分裂症患者的神经影像进行研究，它的诊断主要还依靠医生的经验和相关量表。
[0003]近年来，人工智能领域正在不断发展壮大，精神分类症的自动诊断已成为神经病学和生物医学工程领域中的一个重要领域，许多国内外研究学者试图开发具有高性能特征的分类器，并取得了不同程度的成果，充分证明了该技术在辅助医疗方面有着可行性。与传统的机器学习模型相比，深度学习模型可以创建一个完全自动化的诊断过程，此外，机器学习技术很难直接利用三维大脑信息，它的输入数据通常是一维的。

技术实现思路

[0004]利用医学影像以及深度学习技术区分首发精神分裂症与正常人群，建立3D卷积神经网络充分利用三维T1图像的空间信息数据，使用多中心数据避免单一站点数据误差，能够更好的指示精神分类症的生物标志物并辅助临床疾病诊断。利用联邦学习系统，在保护医疗数据隐私的同时，又能充分利用不同医院的数据。
[0005]专利技术目的：本专利技术旨在提供一种基于联邦学习多中心首发精神分裂症患者的识别方法、装置及系统。与传统卷积神经网络相比，3D卷积网络能够更好的利用脑部三维图像信息，从空间上揭示精神分裂症患者的脑组织变化。与联邦学习系统相结合，在保证数据隐私的同时，又能充分利用不同医院的数据，训练更好的3D卷积神经网络。
[0006]技术方案：
[0007]第一方面，本专利技术提供了一种多中心首发精神分裂症患者的识别系统，包括：
[0008]联邦学习服务端，被配置为：构建初始3D卷积神经网络模型，并发送给各联邦学习客户端；以及
[0009]获取从多个联邦学习客户端接收的局部更新后的模型参数，对模型参数进行优化，得到优化后的模型参数，并发送给各个联邦学习客户端；
[0010]多个联邦学习客户端，被配置为：
[0011]获取从联邦学习服务端接收的初始3D卷积神经网络模型；
[0012]获取脑部T1图像数据，其中所述脑部T1图像数据包括待检测的和带标签的脑部T1图像数据，其中所述标签包括首发精神分裂症患者和正常人群；
[0013]对脑部T1图像数据进行预处理，得到预处理后的带标签的脑部T1图像数据、待检测的脑部T1图像数据；
[0014]将预处理后的带标签的脑部T1图像数据作为训练数据集输入待训练的3D卷积神经网络模型进行训练，得到局部更新后的模型参数，并上传给联邦学习服务端；
[0015]获取从联邦学习服务端接收的优化后的模型参数，更新得到训练好的3D卷积神经网络模型；
[0016]将预处理后的待检测的脑部T1图像数据输入训练好的3D卷积神经网络模型，根据所述3D卷积神经网络模型的输出，得到是否为首发精神分裂症患者的识别结果。
[0017]第二方面，本专利技术提供了一种多中心首发精神分裂症患者的识别方法，包括：
[0018]获取从联邦学习服务端接收的初始3D卷积神经网络模型；
[0019]获取脑部T1图像数据，其中所述脑部T1图像数据包括待检测的和带标签的脑部T1图像数据，其中所述标签包括首发精神分裂症患者和正常人群；
[0020]对脑部T1图像数据进行预处理，得到预处理后的带标签的脑部T1图像数据、待检测的脑部T1图像数据；
[0021]将预处理后的带标签的脑部T1图像数据作为训练数据集输入待训练的3D卷积神经网络模型进行训练，得到局部更新后的模型参数，并上传给联邦学习服务端；
[0022]获取从多个联邦学习客户端接收的局部更新后的模型参数，对模型参数进行优化，得到优化后的模型参数，并发送给各个联邦学习客户端；
[0023]获取从联邦学习服务端接收的优化后的模型参数，更新得到训练好的3D卷积神经网络模型；
[0024]将预处理后的待检测的脑部T1图像数据输入训练好的3D卷积神经网络模型，根据所述3D卷积神经网络模型的输出，得到是否为首发精神分裂症患者的识别结果。
[0025]在一些实施例中，对脑部T1图像数据进行预处理，包括：对脑部T1图像数据进行头动校正、颅骨剥离、图像配准和空间标准化。
[0026]所述预处理，进一步还包括将T1图像的强度归一化到统一的样本空间，图像对应的整型标签转换为onehot标签。
[0027]在一些实施例中，所述3D卷积神经网络模型包括三个3D卷积层，每个3D卷积层后接一个ReLU层和池化层，最后连接dropout层和三个全连接层输出；
[0028]先用3D卷积层对输入的T1图像进行特征提取；3D卷积层通过一个三维的卷积核，针对三维数据进行卷积运算；卷积层表示为：
[0029][0030]其中，表示在第i层中第j个特征图中位置(x,y,z)的神经元，m表示当前第i层与第i
‑
1层的索引；P
i
、Q
i
、R
i
分别表示卷积核的高、宽及图片帧数；位置(p,q,r)连接到第m个特征图的权重用表示；另外，在第i
‑
1层第m个特征层(x+p),(y+q),(z+r)位置上的
值用表示，b
i,j
是第i层中第j个特征图的偏置；f()为一种激活函数；
[0031]每个特征图的大小计算公式为：
[0032][0033][0034][0035]其中，D
out
、H
out
、W
out
分别为输出特征图的深度、高度和宽度；padding为填充参数的大小；dilation表示膨胀系数，默认值为1；kernel_size表示卷积核大小；stride为卷及步长；
[0036]提取出的特征图输入到池化层；池化层对卷积层所提取的特征图做进一步的降维；
[0037]降维后的特征图输入dropout层，避免模型过拟合；
[0038]特征图最后输入全连接层，全连接层将网络学习到的分布式特征表述映射到样本标记空间中，对输入进行分类。
[0039]在一些实施例中，将预处理后的带标签的脑部T1图像数据作为训练数据集输入待训练的3D卷积神经网络模型进行训练的过程中，还包括：
[0040]使用三个指标准确度ACC、敏感性SEN和特异性SPE对模型进行评估：
[0041][0042][0043][0044]其中，T本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多中心首发精神分裂症患者的识别系统，其特征在于，包括：联邦学习服务端，被配置为：构建初始3D卷积神经网络模型，并发送给各联邦学习客户端；以及获取从多个联邦学习客户端接收的局部更新后的模型参数，对模型参数进行优化，得到优化后的模型参数，并发送给各个联邦学习客户端；多个联邦学习客户端，被配置为：获取从联邦学习服务端接收的初始3D卷积神经网络模型；获取脑部T1图像数据，其中所述脑部T1图像数据包括待检测的和带标签的脑部T1图像数据，其中所述标签包括首发精神分裂症患者和正常人群；对脑部T1图像数据进行预处理，得到预处理后的带标签的脑部T1图像数据、待检测的脑部T1图像数据；将预处理后的带标签的脑部T1图像数据作为训练数据集输入待训练的3D卷积神经网络模型进行训练，得到局部更新后的模型参数，并上传给联邦学习服务端；获取从联邦学习服务端接收的优化后的模型参数，更新得到训练好的3D卷积神经网络模型；将预处理后的待检测的脑部T1图像数据输入训练好的3D卷积神经网络模型，根据所述3D卷积神经网络模型的输出，得到是否为首发精神分裂症患者的识别结果。2.一种多中心首发精神分裂症患者的识别方法，其特征在于，包括：获取从联邦学习服务端接收的初始3D卷积神经网络模型；获取脑部T1图像数据，其中所述脑部T1图像数据包括待检测的和带标签的脑部T1图像数据，其中所述标签包括首发精神分裂症患者和正常人群；对脑部T1图像数据进行预处理，得到预处理后的带标签的脑部T1图像数据、待检测的脑部T1图像数据；将预处理后的带标签的脑部T1图像数据作为训练数据集输入待训练的3D卷积神经网络模型进行训练，得到局部更新后的模型参数，并上传给联邦学习服务端；获取从多个联邦学习客户端接收的局部更新后的模型参数，对模型参数进行优化，得到优化后的模型参数，并发送给各个联邦学习客户端；获取从联邦学习服务端接收的优化后的模型参数，更新得到训练好的3D卷积神经网络模型；将预处理后的待检测的脑部T1图像数据输入训练好的3D卷积神经网络模型，根据所述3D卷积神经网络模型的输出，得到是否为首发精神分裂症患者的识别结果。3.根据权利要求1所述的多中心首发精神分裂症患者的识别方法，其特征在于，对脑部T1图像数据进行预处理，包括：对脑部T1图像数据进行头动校正、颅骨剥离、图像配准和空间标准化。4.根据权利要求3所述的多中心首发精神分裂症患者的识别方法，其特征在于，所述预处理，进一步还包括将T1图像的强度归一化到统一的样本空间，图像对应的整型标签转换为onehot标签。5.根据权利要求1所述的多中心首发精神分裂症患者的识别方法，其特征在于，所述3D卷积神经网络模型包括三个3D卷积层，每个3D卷积层后接一个ReLU层和池化层，最后连接
dropout层和三个全连接层输出；先用3D卷积层对输入的T1图像进行特征提取；3D卷积层通过一个三维的卷积核，针对三维数据进行卷积运算；卷积层表示为：其中，表示在第i层中第j个特征图中位置(x,y,z)的神经元，m表示当前第i层与第i
‑
1层的索引；P
i
、Q
i
、R
...

【专利技术属性】
技术研发人员：李文梅，余诺亚，袁媛，闫伟，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：