一种基于联邦学习的多源甲状腺乳头状癌分类系统技术方案

本发明专利技术涉及甲状腺乳头状癌分类技术领域，公开了一种基于联邦学习的多源甲状腺乳头状癌分类系统，包括中央服务器以及与所述中央服务器连接的若干个本地设备；所述本地设备，用于获取甲状腺超声图像，并采用分类模型对甲状腺超声图像进行分类；所述中央服务器和若干个本地设备之间基于训练集，通过联邦学习，对所述分类模型进行更新；其中，联邦学习过程中的全局模型基于各个本地设备采用的训练集中的数据点数和各个本地设备上传的本地模型进行更新。提高了甲状腺乳头状癌分类的准确度。提高了甲状腺乳头状癌分类的准确度。提高了甲状腺乳头状癌分类的准确度。

【技术实现步骤摘要】
一种基于联邦学习的多源甲状腺乳头状癌分类系统


[0001]本专利技术涉及甲状腺乳头状癌分类
，特别是涉及一种基于联邦学习的多源甲状腺乳头状癌分类系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]甲状腺乳头状癌(papillary thyroid carcinoma，PTC)是甲状腺癌最常见的病理类型，约占85.00％，根据肿瘤细胞形状、比例、结构及细胞核特征等将PTC分为含经典型(classical variant，CV)在内的15种亚型，其中，高细胞亚型(tall cell variant，TCV)、实性/梁状亚型(solid variant，SV)、鞋钉样亚型(hobnail variant，HV)、弥漫硬化亚型(diffuse sclerosing variant，DSV)及柱状细胞亚型常被认为是侵袭性亚型(aggressive variant of PTC，AVPTC)。高细胞亚型最多，是AVPTC中最常见的亚型，占总数的70％以上，弥漫硬化亚型占第二位，其次为实性/小梁型、鞋钉样型、柱状细胞型。将高危亚型从经典型中区分出来对治疗有重要意义。
[0004]基于AI的疾病诊断方法本质上依赖于大型训练数据集。由于源于超声机器存储的甲状腺超声影像学数据本身是分散的，并且甲状腺癌侵袭性亚型的样本数量更少，因此靠单一医疗机构本地的数据量往往不足以训练出可靠的分类系统。而且不同中心之间的医学研究数据交换往往受到数据保护、隐私保护和数据主权法规的约束。技术问题同样也会影响数据使用，比如当需要以数字方式传输大量数据时，数据传输线路很快会达到其性能极限。鉴于这些情况，许多医学研究仅限于本地，很难利用其他地方可用的数据。
[0005]在医院内部，有很多数据来源也不尽相同，来自不同的机器厂家和同一厂家不同的机器型号以及不同的工作站，机器的原始数据和后处理数据也存在着差异性。

技术实现思路

[0006]为了解决现有技术的不足，本专利技术提供了一种基于联邦学习的多源甲状腺乳头状癌分类系统，在本地设备与中央服务器之间构成联邦学习的更新迭代过程，训练出鲁棒性强的分类模型，提高了甲状腺乳头状癌分类的准确度。
[0007]第一方面，本专利技术提供了一种基于联邦学习的多源甲状腺乳头状癌分类系统；
[0008]一种基于联邦学习的多源甲状腺乳头状癌分类系统，包括中央服务器以及与所述中央服务器连接的若干个本地设备；
[0009]所述本地设备，用于获取甲状腺超声图像，并采用分类模型对甲状腺超声图像进行分类；
[0010]所述中央服务器和若干个本地设备之间基于训练集，通过联邦学习，对所述分类模型进行更新；
[0011]其中，联邦学习过程中的全局模型基于各个本地设备采用的训练集中的数据点数和各个本地设备上传的本地模型进行更新。
[0012]进一步地，每个本地设备连接若干个工作站；
[0013]所述工作站，用于将不同超声设备采集的甲状腺超声图像上传至本地设备。
[0014]进一步地，所述工作站采用不同的图像采集卡将不同超声设备中的甲状腺超声图像采集到工作站中
[0015]进一步地，所述工作站，还用于获取用户录入的甲状腺超声图像，与所述超声设备采集的甲状腺超声图像一起，加入标签后，形成训练集，并上传至本地设备。
[0016]进一步地，所述联邦学习的具体步骤为：
[0017]每个本地设备对中央服务器发送的全局模型，采用本地训练集优化全局模型，得到本地模型，并上传至中央服务器；
[0018]中央服务器根据所有本地设备上传的本地模型，计算出全局模型并发送至每个本地设备，作为每个本地设备的分类模型。
[0019]进一步地，所述采用本地数据集优化全局模型的具体方法为：
[0020]基于全局模型的权重，对本地训练集中的数据进行基于多尺度的特征融合后，通过随机梯度下降和最小化损失函数来优化全局模型。
[0021]进一步地，所述基于多尺度的特征融合通过若干层依次连接的卷积层实现。
[0022]进一步地，所述全局模型的各个参数为：
[0023][0024]其中，K为本地设备的个数，是本地设备k在第t次全局模型更新时发送的本地模型的参数，n
k
是本地设备k优化全局模型采用的本地训练集中的数据点数，n是参与协同训练的数据点总数。
[0025]第二方面，本专利技术还提供了一种电子设备，包括：
[0026]存储器，用于非暂时性存储计算机可读指令；以及
[0027]处理器，用于运行所述计算机可读指令，
[0028]其中，所述计算机可读指令被所述处理器运行时，执行以下步骤：
[0029]获取甲状腺超声图像；
[0030]采用分类模型对甲状腺超声图像进行分类；
[0031]其中，分类模型基于训练集，与中央服务器之间通过联邦学习，进行更新；联邦学习过程中的全局模型基于各个本地设备采用的训练集中的数据点数和各个本地设备上传的本地模型进行更新。
[0032]第三方面，本专利技术还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行以下步骤：
[0033]获取甲状腺超声图像；
[0034]采用分类模型对甲状腺超声图像进行分类；
[0035]其中，分类模型基于训练集，与中央服务器之间通过联邦学习，进行更新；联邦学习过程中的全局模型基于各个本地设备采用的训练集中的数据点数和各个本地设备上传的本地模型进行更新。
[0036]与现有技术相比，本专利技术的有益效果是：
[0037]本专利技术提出的一种基于联邦学习的多源甲状腺乳头状癌分类系统，其在本地设备与中央服务器之间构成联邦学习的更新迭代过程，此过程不断的重复，经过多次迭代，最终在中央服务器达到最优模型，再下发到各个医院中心，这样每个医院中心都拥有最新的模型；并且通过融合基于多种超声机器类型以及不同工作站来源的超声影像的共有特征，训练出鲁棒性强的分类模型，提高了甲状腺乳头状癌分类的准确度。
[0038]本专利技术附加方面的优点将在下面的描述中部分给出，或通过本专利技术的实践了解到。
附图说明
[0039]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0040]图1为第一个实施例的一种基于联邦学习的多源甲状腺乳头状癌分类系统的整体结构图；
[0041]图2为第一个实施例的一种基于联邦学习的多源甲状腺乳头状癌分类系统的详细结构图。
具体实施方式
[0042]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0043]在不冲突的情况下，本专利技术中的实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的多源甲状腺乳头状癌分类系统，其特征是，包括中央服务器以及与所述中央服务器连接的若干个本地设备；所述本地设备，用于获取甲状腺超声图像，并采用分类模型对甲状腺超声图像进行分类；所述中央服务器和若干个本地设备之间基于训练集，通过联邦学习，对所述分类模型进行更新；其中，联邦学习过程中的全局模型基于各个本地设备采用的训练集中的数据点数和各个本地设备上传的本地模型进行更新。2.如权利要求1所述的一种基于联邦学习的多源甲状腺乳头状癌分类系统，其特征是，每个本地设备连接若干个工作站；所述工作站，用于将不同超声设备采集的甲状腺超声图像上传至本地设备。3.如权利要求2所述的一种基于联邦学习的多源甲状腺乳头状癌分类系统，其特征是，所述工作站采用不同的图像采集卡将不同超声设备中的甲状腺超声图像采集到工作站中。4.如权利要求2所述的一种基于联邦学习的多源甲状腺乳头状癌分类系统，其特征是，所述工作站，还用于获取用户录入的甲状腺超声图像，与所述超声设备采集的甲状腺超声图像一起，加入标签后，形成训练集，并上传至本地设备。5.如权利要求1所述的一种基于联邦学习的多源甲状腺乳头状癌分类系统，其特征是，所述联邦学习的具体步骤为：每个本地设备对中央服务器发送的全局模型，采用本地训练集优化全局模型，得到本地模型，并上传至中央服务器；中央服务器根据所有本地设备上传的本地模型，计算出全局模型并发送至每个本地设备，作为每个本地设备的分类模型。6.如权利要求5所述的一种基于联邦学习的多源甲状腺乳头状癌分类系统，其特征是，所述采用本地数据集优化全局模...

【专利技术属性】
技术研发人员：闵香，曹艳坤，李杰，刘治，
申请(专利权)人：山东大学，
类型：发明
国别省市：