【技术实现步骤摘要】
一种分布式医疗影像处理模型的训练方法及应用方法
[0001]本专利技术涉及图像处理
,尤其涉及一种分布式医疗影像处理模型的训练方法及应用方法。
技术介绍
[0002]近年来,随着医学影像诊断性能要求不断提升和深度学习的发展,大量针对医疗影像的AI辅助诊断系统都能提高诊断的准确性,并一定程度上保护患者的隐私。但它们同时存在以下缺点:
[0003]1.各医院医疗数据分散,共享程度不高,使大规模数据集中训练寸步难行。AI达到高准确率需要大量数据,但实际上可用于训练的医疗数据非常分散,且城市和边远地区的数据量不平衡。
[0004]2.模型鲁棒性不足,临床信任度低,模型实际部署难以推进。现有模型往往基于各类深度神经网络实现,而研究表明,这些模型在精心设计的对抗扰动下会暴露弱点。边远地区采集的数据质量问题和潜在的对抗攻击更难察觉,使得模型鲁棒性能和泛化性能未能达到要求。
[0005]3.模型的可解释性不足,无法确定模型是否依照需求进行训练。一些AI算法模型在做出预测或诊断时,往往缺乏足够的解释性,不能生成医生可以解释的合理预测。这使得医生难以理解模型的决策过程,从而对其结果产生怀疑或不信任。
技术实现思路
[0006]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本专利技术提出一种适用于训练分散大规模数据的、能够提高模型准确率的分布式医疗影像处理模型的训练方法及应用方法。
[0007]一方面,本专利技术实施例提供了一种分布式医疗影像处理模型的训练方法,包括 ...
【技术保护点】
【技术特征摘要】
1.一种分布式医疗影像处理模型的训练方法,其特征在于,包括:收集来自多个医疗中心经过标注的医疗影像数据,对所述医疗影像数据进行数据预处理,得到各个所述医疗中心的局部数据集,根据所述局部数据集生成全局数据集;根据所述局部数据集生成局部对抗影像样本;基于变分贝叶斯框架构建初始分布式医疗影像处理模型;其中,所述初始分布式医疗影像处理模型包括若干个与所述医疗中心一一对应的局部模型;采用所述局部数据集和所述局部对抗影像样本对所述局部模型进行局部训练,当迭代次数每达到预设轮次时,对各个所述局部模型进行全局聚合处理,形成一个全局模型;当各个所述局部模型的局部损失函数收敛或者所述迭代次数达到预设的第二迭代次数阈值时,得到目标分布式医疗影像处理模型;其中,所述目标分布式医疗影像处理模型包括一个全局模型和若干个与所述医疗中心一一对应的局部模型。2.根据权利要求1所述的一种分布式医疗影像处理模型的训练方法,其特征在于,所述对所述医疗影像数据进行数据预处理,得到局部数据集,根据所述局部数据集生成全局数据集,包括:对若干个医疗中心的医疗影像数据进行随机组合的形态学操作,得到局部数据集;其中,所述形态学操作包括以下至少之一:开放操作、关闭操作、随机膨胀操作或者随机侵蚀操作;从所述局部数据集中确定若干样本,生成全局数据集;对所述局部数据集和所述全局数据集进行数据增强。3.根据权利要求1所述的一种分布式医疗影像处理模型的训练方法,其特征在于,所述根据所述局部数据集生成局部对抗影像样本,包括:配置扰动项;对所述局部数据集中添加所述扰动项,生成第一对抗影像样本;根据所述第一对抗影像样本对所述扰动项进行迭代处理;采用梯度下降算法,以小步梯度下降的方式,按照预设的时间间隔重复执行所述对所述局部数据集添加所述扰动项,生成第一对抗影像样本的步骤,直至迭代次数达到预设的第一迭代次数阈值,得到最优扰动值;对所述局部数据集添加所述最优扰动值,生成局部对抗影像样本。4.根据权利要求3所述的一种分布式医疗影像处理模型的训练方法,其特征在于,所述根据所述全局数据集生成全局对抗影像样本,所述对所述局部数据集中添加所述扰动项,生成第一对抗影像样本的计算公式为:其中,x
′
表示第一对抗影像样本,ε表示一个趋近于0的正数;sign()表示符号函数;L()表示原模型的损失函数,即表示损失函数关于输入x的梯度计算;x表示原始样本,y表示原始样本经过模型运算之后的样本输出。5.根据权利要求1所述的一种分布式医疗影像处理模型的训练方法,其特征在于,所述基于变分贝叶斯框架构建初始分布式医疗影像处理模型的步骤中,包括以下构建局部模型的步骤:
构建分割网络,用于生成通用数据的概率分布预测;其中,所述分割网络是一个卷积神经网络;构建先验编...
【专利技术属性】
技术研发人员:陈佳俊,姜善成,彭宇璇,张丞耀,陈跃勇,邢宸翰,
申请(专利权)人:中山大学,
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。