【技术实现步骤摘要】
一种肺动脉内径检测方法、系统、电子设备及存储介质
[0001]本专利技术涉及语义分割
,特别是涉及一种肺动脉内径检测方法、系统、电子设备及存储介质。
技术介绍
[0002]临床上认为肺动脉内径正常值一般为1.2cm
‑
2.9cm,若大于2.9cm则属于肺动脉增粗肿大,而肺动脉肿大是肺动脉高压患者的一种形态异常。肺动脉从医学影像数据文件中精确分割出来,依赖有经验的肺动脉领域的医生来进行,但利用人工进行分割的效率整体较低。因此有必要将相关技术引入肺动脉医学影像分割领域,从而提升整体肺动脉分割的效率。近年来机器学习、深度学习等领域发展迅猛,多种语义分割模型被提出。其中U
‑
Net模型及其后续的改进模型被广泛应用到医学影像领域中,其中也包含针对肺动脉医学影像领域的应用。如H.Suzuki等人提出利用U
‑
Net把慢性血栓栓塞性肺动脉高压CT无对比图像中的主动脉和肺动脉分割出来;Liu Zhenhong等人对Res U
‑
Net模型进行了改进,改善了模型的信息流动有效性、收敛速度等方面,并将其应用于肺动脉分割中,提高了分割的准确性。虽然很多研究已证明语义分割模型在医学影像领域应用的可行性,但其在实际应用中的性能和其在训练阶段的样本数量有密切关系。虽然许多医院都有独立的医学影像相关的数据库,但各个医院数据库中的数据样本数量不等,有些医院数据库中的数据样本数量较少,无法在本地利用数据库中数据训练出性能足够好的语义分割模型,这可以归结为医学影像数据分布较为 ...
【技术保护点】
【技术特征摘要】
1.一种肺动脉内径检测方法,其特征在于,所述方法基于联邦学习系统实现;所述联邦学习系统包括:密钥生成中心、中央云端服务器和客户端集合;所述密钥生成中心和所述客户端集合均与中央云端服务器连接,所述密钥生成中心与所述客户端集合连接;所述客户端集合包括N个客户端;N>1;对于任一个所述客户端,肺动脉内径检测方法包括:获取目标图像;所述目标图像为待检测肺部CT图像;将所述目标图像输入至所述肺动脉识别模型中,得到目标肺动脉图像;所述肺动脉识别模型是利用所述联邦学习系统,基于U
‑
Net网络结构和训练数据集确定的;所述训练数据集包括多张带有肺动脉标签的训练用肺部CT图像;根据所述目标肺动脉图像确定所述目标图像中肺动脉的内径。2.根据权利要求1所述的肺动脉内径检测方法,其特征在于,所述联邦学习系统对U
‑
Net网络结构进行训练,得到所述肺动脉识别模型的过程,具体包括:当第t
‑
1次训练的损失函数值大于预设阈值时:所述中央云端服务器用于:获取所述训练数据集,并将所述训练数据集发送至各所述客户端;接收所有所述客户端的第t次训练的梯度向量、所述密钥生成中心利用密钥生成算法生成的第t次训练的密钥向量和所有所述客户端的第t次训练的密文;各所述客户端的第t次训练的梯度向量是各所述客户端利用所述训练数据集对第t
‑
1次训练后的U
‑
Net网络结构进行第t次训练后确定的;各所述客户端的第t次训练的密文是各所述客户端利用加密算法,基于对应的客户端第t次训练的梯度向量和第t次训练的密钥向量得到的;其中,当t=1时,第t
‑
1次训练后的U
‑
Net网络结构为初始U
‑
Net网络结构;基于所有所述客户端的第t次训练的梯度向量、所述密钥生成中心利用密钥生成算法生成的第t次训练的密钥向量和所有所述客户端的第t次训练的密文,确定第t次训练的全局密文,并将第t次训练的全局密文发送至各所述客户端;在收到第t次训练的全局密文之后,各所述客户端均用于:利用解密算法,基于第t次训练的密钥向量,对第t次训练的全局密文进行解密,得到第t次训练的解密后的全局梯度;基于所述训练数据集计算第t次训练后的U
‑
Net网络结构的损失函数值,并判断第t次训练后的U
‑
Net网络结构的损失函数值是否大于所述预设阈值;若是,则基于第t次训练的解密后的全局梯度和所述训练数据集对第t次训练后的U
‑
Net网络结构进行第t+1次训练,确定第t+1次训练的梯度向量,利用加密算法,基于第t+1次训练的梯度向量和第t+1次训练的密钥向量确定第t+1次训练的密文,将t更新为t+1,并返回“接收所有所述客户端的第t次训练的梯度向量、所述密钥生成中心利用...
【专利技术属性】
技术研发人员:柴润祺,朱青华,柴森春,崔灵果,张楠,朱恩军,
申请(专利权)人:北京理工大学,
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。