面向阿尔兹海默症辅助诊断的个性化联邦学习方法技术

本发明专利技术涉及一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，其特征在于，包括以下步骤：组成图像数据集并进行预处理，获得用于辅助诊断的数据集，建立联邦GBDT框架进行联邦训练，在利用联邦GBDT框架完成联邦训练后，每个客户端将结果模型GBDT编织到本地深度森林模型。在阿尔兹海默症的辅助诊断方法中，本发明专利技术通过联邦学习和深度森林来实现准确的AD分类任务，用于应对医疗保健领域中的隐私挑战，不损害隐私安全。本发明专利技术通过计算分散在不同客户之间的高阶信息而不交换他们的隐私数据，克服了信息隔离的问题，并且本发明专利技术使分布式客户端能够在不共享其训练数据的情况下协作地训练共享模型。作地训练共享模型。作地训练共享模型。

【技术实现步骤摘要】
面向阿尔兹海默症辅助诊断的个性化联邦学习方法


[0001]本专利技术涉及一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，属于计算机图像处理领域。

技术介绍

[0002]阿尔兹海默症是一种持续性神经功能障碍，常起病于老年或老年前期。该病的发病进程缓慢，会随着时间的推移而不断恶化，并且起病隐匿，增长速度快，与此同时，患者伴随有大脑结构和功能的变化。症状通常表现有记忆缺失、视空间能力损害、抽象思维和计算力损害、人格和行为改变等，这些症状会不可逆转的逐渐恶化，直至彻底丧失生活能力。轻度认知障碍是介于正常状态和阿尔兹海默症之间的中间阶段。该阶段是阿尔兹海默病症状开始初显并且可以通过药物等进行干预治疗的最佳时机，在这个阶段超出半数的患者将会在五年时间当中发展成为痴呆患者。然而，在该阶段病人表现出的轻微记忆力下降等症状可能会被误认为是正常老化所带来的生理表现而被忽视，导致错过最佳的治疗时机。一旦由轻度认知障碍完全发展成阿尔兹海默病，将无有效药物和手段可以延缓和治愈。
[0003]由于目前还没有任何药物能够有效治疗阿尔兹海默症，大多数针对该病的治疗都是结合患者所处的病程阶段不同，使用对应的药物对病情的发展进行一定程度的延缓。因此，能够准确的判断出病人所处的病程阶段就显得尤为重要。传统的轻度认知障碍的筛查方法包括神经影像学检查、神经心理测评、生物标志物检查等。但是，这些方法都需要专业医师的介入，时间成本和经济成本较高，甚至部分检查方法对人体有侵入性，客观上导致了大多数阿尔茨海默病患者未能被及早确诊。因此，本专利技术利用语音特征判断患者的认知状况，有效的降低了轻度认知障碍早期筛查的门槛，具有科学价值、社会价值和经济价值。
[0004]迄今为止，神经成像是寻找人类大脑异常的最好的非侵入性技术。深度学习已经彻底改变了图像处理技术，它可以解决图像的着色、分类、分割和检测等难题。例如，一个深度神经系统网络(DNN)是一个多层的堆栈，它允许模型在学习复杂的特征和执行更密集的计算任务方面变得更有效，它超越了经典机器涉及非结构化数据的机器感知任务中的学习范式。深度神经网络虽然取得了很好的性能，但是现有的深度学习方法从零开始训练深度架构具有一定的局限性，存在要求大量带标签的数据、计算复杂度高以及缺少理论解释等问题。基于上述原因，研究人员正在寻找另一种范式，最终深度集成学习得到了关注，如GrowNet、S
‑
DNN、DSN和深度森林，因为它结合了DNN和集成学习的优点，使最终的模型具有更好的泛化性能。然而在医疗保健领域还有另一个挑战，即众所周知的隐私问题。传统的深度学习一般分为两个阶段：从不同的参与方收集数据对数据进行预处理并将数据输入到整体模型进行训练，因此隐私泄露的风险是不可避免的。
[0005]因此现有技术需要一种新的图像处理算法来解决隐私泄漏问题，并且需要一种针对阿尔兹海默症辅助诊断的个性化联邦学习方法，来提高阿尔兹海默症早期筛查的准确率。

技术实现思路

[0006]本专利技术的目的是：提供一种新的图像处理算法来解决现有图像处理技术所面临的隐私泄漏问题，并且提供一种针对阿尔兹海默症辅助诊断的个性化联邦学习方法，来提高阿尔兹海默症早期筛查的准确率。
[0007]为了达到上述目的，本专利技术的技术方案是提供了一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，其特征在于，包括以下步骤：
[0008]步骤1、获得受试者的1.5T T1加权结构的核磁共振sMRI影像数据组成图像数据集；
[0009]步骤2、对图像数据集进行预处理；
[0010]步骤3、基于经过预处理的图像数据集生成用于辅助诊断的数据集，包括以下步骤：
[0011]将经过所述预处理单元处理的图像数据集送入3DUnet
‑
CBAM模型中进行训练，由3DUnet
‑
CBAM模型提取海马体部分之后使用IBASPM以神经解剖学的方式标记图像的体素，并进一步自动计算体积，最终生成用于辅助诊断的数据集；
[0012]步骤4、建立联邦GBDT框架进行联邦训练：
[0013]通过联邦GBDT框架使分布式客户端能够在不共享其利用步骤3生成的本地数据集的情况下协作地训练一个全局模型；该联邦GBDT框架有两个参与者，分别是中央服务器和客户端，其中，每个客户端通过防止任何其他参与方访问其本地的私有数据来保护其安全，客户端的本地模型选择GBDT模型进行局部训练；在每次训练迭代中，中央服务器将GBDT模型广播给每个客户端，然后每个客户端使用其本地数据集训练自己的GBDT模型，并将梯度上传到中央服务器，最后服务器聚集梯度以训练全局模型；
[0014]步骤5、在利用联邦GBDT框架完成联邦训练后，每个客户端将结果模型GBDT编织到本地深度森林模型，采用GBDT代替决策树来构建个性化模型，个性化模型将客户机的私有数据作为输入，然后用多粒度扫描提取和处理输入的原始特征以生成特征向量，并进一步发送到级联森林以完成分类任务。
[0015]优选地，步骤1中，所获得的数据均来自阿尔兹海默症神经影像学倡议ADNI数据集，选择的是使用快速梯度回波成像技术采集的1.5T T1加权结构的核磁共振sMRI影像数据，并且数据为NIFTI格式。
[0016]优选地，所述图像数据集中的所有影像数据分成三类，分别来自认知正常的受试者、阿尔茨海默病患者和轻度认知障碍患者。
[0017]优选地，步骤2中，对所述图像数据集进行的预处理包括头骨剥离、校正偏置场、标准化以及裁剪成统一大小。
[0018]优选地，在所构建的所述个性化模型中，每个级联级别包含四个GBDT，每个级别输出一个类分布向量，将同一级别的四个向量与多粒度扫描仪的输出连接起来，其结果成为下一级的输入向量，最后分类结果是从最后一级输出的平均类向量的最大值。
[0019]在阿尔兹海默症的辅助诊断方法中，本专利技术通过联邦学习和深度森林来实现准确的AD分类任务，用于应对医疗保健领域中的隐私挑战，不损害隐私安全。本专利技术通过计算分散在不同客户之间的高阶信息而不交换他们的隐私数据，克服了信息隔离的问题，并且本专利技术使分布式客户端能够在不共享其训练数据的情况下协作地训练共享模型。
附图说明
[0020]图1是本专利技术所述的面向阿尔兹海默症辅助诊断的个性化联邦深度森林框架总体概览图；
[0021]图2是本专利技术所述的联邦GBDT框架训练过程示意图；
[0022]图3是本专利技术所述的个性化模型结构示意图；
[0023]图4是本专利技术所述的数据集预处理流程图。
具体实施方式
[0024]下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0025]本专利技术公开了一种基于个性化联邦学习和深度森林的阿尔兹海默症辅助诊断方法，该方法使用到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，其特征在于，包括以下步骤：步骤1、获得受试者的1.5T T1加权结构的核磁共振sMRI影像数据组成图像数据集；步骤2、对图像数据集进行预处理；步骤3、基于经过预处理的图像数据集生成用于辅助诊断的数据集，包括以下步骤：将经过所述预处理单元处理的图像数据集送入3DUnet
‑
CBAM模型中进行训练，由3DUnet
‑
CBAM模型提取海马体部分之后使用IBASPM以神经解剖学的方式标记图像的体素，并进一步自动计算体积，最终生成用于辅助诊断的数据集；步骤4、建立联邦GBDT框架进行联邦训练：通过联邦GBDT框架使分布式客户端能够在不共享其利用步骤3生成的本地数据集的情况下协作地训练一个全局模型；该联邦GBDT框架有两个参与者，分别是中央服务器和客户端，其中，每个客户端通过防止任何其他参与方访问其本地的私有数据来保护其安全，客户端的本地模型选择GBDT模型进行局部训练；在每次训练迭代中，中央服务器将GBDT模型广播给每个客户端，然后每个客户端使用其本地数据集训练自己的GBDT模型，并将梯度上传到中央服务器，最后服务器聚集梯度以训练全局模型；步骤5、在利用联邦GBDT框架完成联邦训练后，每个客户端将结果模型GBDT编织到...

【专利技术属性】
技术研发人员：钱辰，熊慧，李继云，刘迎，
申请(专利权)人：东华大学，
类型：发明
国别省市：