一种肺动脉内径检测方法、系统、电子设备及存储介质技术方案

本发明专利技术公开一种肺动脉内径检测方法、系统、电子设备及存储介质，涉及语义分割技术领域，方法基于联邦学习系统实现；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；密钥生成中心和客户端集合均与中央云端服务器连接，密钥生成中心与客户端集合连接；客户端集合包括N个客户端；对于任一个客户端，肺动脉内径检测方法包括：获取目标图像；目标图像为待检测肺部CT图像；将目标图像输入至肺动脉识别模型中，得到目标肺动脉图像；肺动脉识别模型是利用联邦学习系统，基于U

【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分散。同时医学影像数据中包含大量有关病患个人的数据，若是将各医院的数据集中则可能造成患者个人隐私的泄露。因此在保护病患隐私的前提下，如何利用分散的医学影像数据来提升模型训练效果值得关注。
[0003]上述问题可以类比于数据孤岛问题，而应用联邦学习技术则可以有效地应对该类问题。2016年，谷歌McMahan等人提出了联邦学习(Federated Learning)的概念，其基本思想为在中央服务器调度下，利用各个用户端的本地数据对同一模型进行训练，之后再由中央服务器对各客户端模型参数统筹更新。此概念的提出旨在解决数据孤岛问题，在不需要整合数据的前提下充分利用分散数据，并降低本地数据泄露的风险。由于联邦学习在应对数据孤岛问题时的优异性能，因此也有研究者将其与医学影像相结合。例如，杨贤将联邦学习技术与3D卷积网络相结合，利用结合后的模型对肺部CT进行分析；Shen Yiqing等人提出了一种新的条件生成对抗网络(GAN)并将其与联邦学习框架结合，结合后的模型应用于组织病理学图像的染色中，大幅提高了染色的准确率。然而现存研究表明联邦学习框架下也有泄露隐私的风险。首先中间参数的交换过程中可能导致隐私的泄露，这些中间参数可能导致部分原始数据或者信息来源的泄露；其次各个参与方的自身条件的真实性难以确认，一旦出现不可靠的参与方进行攻击，极易导致隐私的泄露。因此，基于联邦学习的隐私保护问题需要着重关注，尤其是在联邦学习与医学影像的应用方面。
[0004]目前针对隐私保护问题已有多种应对的技术，其中主流的包括同态加密、秘密共享、摄动技术、安全多方计算等，并且成功与联邦学习结合。例如：Arachchige等人提出将本
地差分隐私与联邦学习结合，Aono等人将加法同态加密机制与客户
‑
服务器架构的联邦学习相结合。这些技术在保持高效的隐私保护性能的同时，各自也有不同的问题，如基于扰动的联邦学习方法往往会降低数据效用等。
[0005]综上所述，目前肺动脉内径检测方法存在由于医学影像数据样本分布分散使得训练效果较差进一步导致肺动脉内径检测精度较低的问题，以及医学影像数据隐私性较差的问题。

技术实现思路

[0006]本专利技术的目的是提供一种肺动脉内径检测方法、系统、电子设备及存储介质，提高了肺动脉内径的检测精度和医学影像数据的隐私性。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种肺动脉内径检测方法，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；
[0009]对于任一个所述客户端，肺动脉内径检测方法包括：
[0010]获取目标图像；所述目标图像为待检测肺部CT图像；
[0011]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；
[0012]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。
[0013]可选地，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：
[0014]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：
[0015]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；
[0016]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；
[0017]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；
[0018]在收到第t次训练的全局密文之后，各所述客户端均用于：
[0019]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；
[0020]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；
[0021]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次训练的密文本文档来自技高网...

【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：