一种基于联邦学习与改进池化金字塔的医学图像分割方法技术

本发明专利技术提供一种基于联邦学习与改进池化金字塔的医学图像分割方法，主要包括：各参与方接收初始化神经网络模型参数，并基于初始化神经网络模型参数作为本地神经网络模型参数；对本地神经网络模型进行训练；各参与方将各自新的本地神经网络模型参数上传至中心服务器，所述中心服务器对各神经网络模型参数进行聚合处理；将聚合网络参数下发至各参与方；各参与方基于当前本地神经网络模型参数判断本地模型是否收敛，如果收敛则参与方保存当前本地神经网络模型参数；各参与方基于收敛的本地神经网络模型进行医学图像分割。通过联邦学习的方式克服隐私泄露的问题，同时基于改进池化金字塔方法，提高医学图像的分割精度。提高医学图像的分割精度。提高医学图像的分割精度。

【技术实现步骤摘要】
一种基于联邦学习与改进池化金字塔的医学图像分割方法


[0001]本专利技术涉及计算机视觉
，具体而言，尤其涉及一种基于联邦学习与改进池化金字塔的医学图像分割方法。

技术介绍

[0002]医学图像数据由于其获取难度较大，设备干扰性较强，因此与医学图像相关的模型训练比较困难。由于近年来各国对数据私密性的重视，同时考虑到医学图像的私密性特点，在医学图像相关的工作中需要特别关注用户隐私泄露问题，因此具有隐私保护能力的多方联合训练方法越来越值得研究。
[0003]多方联合训练医学图像分割方法是一个热门的研究方向，在多参与方联合建模约束下以及用户隐私保护约束下，该领域仍然存在局限性。如果直接将各个训练参与方的数据集聚合在一起进行训练，会导致数据在各个参与方之间交互流动，进而导致数据泄露问题。

技术实现思路

[0004]根据上述提出的汇聚各方医学图像进行模型训练导致用户隐私数据泄露的技术问题，本专利技术提供一种基于联邦学习与改进池化金字塔的医学图像分割方法，通过联邦学习的方式克服隐私泄露的问题，同时基于改进池化金字塔方法，提高医学图像的分割精度。
[0005]本专利技术采用的技术手段如下：
[0006]一种基于联邦学习与改进池化金字塔的医学图像分割方法，包括以下步骤：
[0007]S1、由中心服务器下发初始化神经网络模型参数，所述神经网络模型用于进行医学图像分割；
[0008]S2、各参与方接收初始化神经网络模型参数，并基于初始化神经网络模型参数作为本地神经网络模型参数；
[0009]S3、基于本地数据对本地神经网络模型进行训练，并生成新的本地神经网络模型参数；
[0010]S4、各参与方将各自新的本地神经网络模型参数上传至中心服务器，所述中心服务器对各神经网络模型参数进行聚合处理，生成聚合神经网络模型参数；
[0011]S5、中心服务器将聚合网络参数下发至各参与方，各参与方利用聚合神经网络模型参数更新本地神经网络模型参数；
[0012]S6、各参与方基于当前本地神经网络模型参数判断本地模型是否收敛，如果收敛则参与方保存当前本地神经网络模型参数，否则返回S3；
[0013]S7、各参与方基于收敛的本地神经网络模型进行医学图像分割。
[0014]进一步地，所述神经网络模型采用带有改进池化金字塔U
‑
Net网络结构，所述带有改进池化金字塔U
‑
Net网络结构采用对称式的编码器解码器结构，对于编码器层之间的特征图传递使用改进池化金字塔进行连接，同等级的编码器层和解码器层之间通过跳级相
连。
[0015]进一步地，所述的改进池化金字塔应用最大池化和自适应平均池化操作，所述自适应平均池化操作将特征图输出到四种尺度大小，所述最大池化会将特征图在kernel范围内取最大值。
[0016]进一步地，所述带有改进池化金字塔U
‑
Net网络结构在底层和顶层结构中加入注意力机制模块。
[0017]进一步地，所述自适应平均池化操作将特征图输出到四种尺度大小，包括输出1*1、2*2、3*3以及4*4四种尺度大小。
[0018]进一步地，将最大池化后输出的特征图、1*1尺度特征图、2*2尺度特征图、3*3尺度特征图以及4*4尺度特征图依次经过bilinear插值操作后叠加于原特征图上，从而得到输出特征图。
[0019]较现有技术相比，本专利技术具有以下优点：
[0020]1、本专利技术可以解决数据孤岛状态下的多方联合建模问题。使用联邦学习框架建立起的模型效果优于单方训练模型的效果，同时保护用户的隐私数据不被泄露。本专利技术所使用的模型更新方式能够保证多方联合训练情况下的模型精度，使得通过本专利技术提出的基于联邦学习和改进池化金字塔的医疗图像分割算法具有更好的医疗图像分割效果。
[0021]2、为了使联邦学习训练得到的模型具有更强的泛化能力，需要让本地模型具有良好的预测能力，因此本专利技术提出了一种基于U
‑
Net的医学图像分割模型，同时设计了改进版本的池化金字塔模块，然后将具有改进池化金字塔模型的U
‑
Net网络进行联邦化。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1为本专利技术基于联邦学习与改进池化金字塔的医学图像分割方法模型训练流程图。
[0024]图2为U
‑
Net网络结构图。
[0025]图3为本专利技术实施例中改进的池化金字塔模块结构示意图。
[0026]图4为本专利技术实施例中带有改进池化金字塔的U
‑
Net网络结构图。
具体实施方式
[0027]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0028]如图1所示，本专利技术提供了一种基于联邦学习与改进池化金字塔的医学图像分割方法，包括以下步骤：
[0029]S1、由中心服务器下发初始化神经网络模型参数，所述神经网络模型用于进行医学图像分割。
[0030]假设有n个参与方进行联合训练，本例存在两个参与方A、B，且令可信第三方服务器为C。首先，中心服务器C初始化待训练模型参数，然后将初始化模型发送给参与方A和参与方B，中心服务器还需要规定以下参数，包括本地迭代轮次h、全局聚合轮次t，初始化学习率r、优化器Adam和Batch size。
[0031]S2、各参与方接收初始化神经网络模型参数，并基于初始化神经网络模型参数作为本地神经网络模型参数。
[0032]参与方A和参与方B获取初始化模型并开始训练。本地训练时，各参与方将本地训练数据预处理操作，包括但不限于图像翻转与图像裁剪。
[0033]S3、基于本地数据对本地神经网络模型进行训练，并生成新的本地神经网络模型参数。
[0034]参与方A和参与方B先在自己的数据集中进行本地训练，训练时使用中心服务器下发的Batch size大小。各参与方模型在本地迭代轮次h次，然后上传各自的本地模型至中心服务器。
[0035]S4、各参与方将各自新的本地神经网络模型参数上传至中心服务器，所述中心服务器对各神经网络模型参数进行聚合处理，生成聚合神经网络模型参数。
[0036]S5、中心服务器将聚合网络参数下发至各参与方，各参与方利用聚合神经网络模型参数更新本地神经网络模型参数。
[0037]中心服本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习与改进池化金字塔的医学图像分割方法，其特征在于，包括以下步骤：S1、由中心服务器下发初始化神经网络模型参数，所述神经网络模型用于进行医学图像分割；S2、各参与方接收初始化神经网络模型参数，并基于初始化神经网络模型参数作为本地神经网络模型参数；S3、基于本地数据对本地神经网络模型进行训练，并生成新的本地神经网络模型参数；S4、各参与方将各自新的本地神经网络模型参数上传至中心服务器，所述中心服务器对各神经网络模型参数进行聚合处理，生成聚合神经网络模型参数；S5、中心服务器将聚合网络参数下发至各参与方，各参与方利用聚合神经网络模型参数更新本地神经网络模型参数；S6、各参与方基于当前本地神经网络模型参数判断本地模型是否收敛，如果收敛则参与方保存当前本地神经网络模型参数，否则返回S3；S7、各参与方基于收敛的本地神经网络模型进行医学图像分割。2.根据权利要求1所述的一种基于联邦学习与改进池化金字塔的医学图像分割方法，其特征在于，所述神经网络模型采用带有改进池化金字塔U
‑
Net网络结构，所述带有改进池化金字塔U
‑
Net网络结构采用对称式的编...

【专利技术属性】
技术研发人员：郭艳卿，李宇航，姚明，李祎，刘航，王湾湾，付海燕，
申请(专利权)人：深圳市洞见智慧科技有限公司，
类型：发明
国别省市：