【技术实现步骤摘要】
一种基于联邦学习的分布式小尺度肺结节检测方法
[0001]本专利技术涉及目标检测
,具体涉及一种基于联邦学习的分布式小尺度肺结节检测方法
。
技术介绍
[0002]近年来,在深度学习
(Deep Learning
,
DL)
的快速驱动下,目标检测算法已应用于多个领域,智慧医疗方向深度学习在图像识别中,通过卷积神经网络实现的视觉算法在识别错误率和效率上
2015
年已经超越了人类
。
小尺度肺结节目标检测的目的是精确地检测出医疗图像中可视化特征较少的小尺度病灶
。
在这个问题上,深度学习仍然面临着巨大的挑战
。
与普通尺寸的目标相比,小尺度病灶所包含的外观信息非常有限,因此很难将它们从复杂的背景或相近的目标中分离出来
。
[0003]深度学习的成功都是建立在对大量数据训练的基础之上,而想要获取足量的优质医疗数据是一件及其困难的事情
。
随着越来越完善的法律法规,监管机构对于数据的使用审批愈加严格,往日轻松获取大量数据的时代已然过去
。
数据是人工智能时代的燃料,随着优质训练数据获取难度的不断提高,传统的集中数据式训练模型方法正面临着极大挑战
。
[0004]联邦学习
(Federated Learning
,
FL)
是
2016
年由谷歌公司的
H.Brendan McMahan
...
【技术保护点】
【技术特征摘要】
1.
一种基于联邦学习的分布式小尺度肺结节检测方法,其特征在于,包括:获取病人真实肺部
CT
图像并进行预处理;将预处理后的
CT
图像输入至肺结节小尺度病灶检测模型进行训练,训练时通过多个本地客户端的模型平均训练时间;采用
AdaGrad
优化器,在离散的本地客户端下利用稀疏梯度的信息,实现肺结节小尺度病灶检测模型收敛;将收敛得到的结果输入至
CBAM
模块,得到含有空间与通道注意力特征的特征图;将含有空间与通道注意力特征的特征图输入至
FPN
多尺度预测网络中获得多尺度特征图,根据多尺度特征图得到新的特征金字塔;将新的特征金字塔输入到
RPN
网络中,
RPN
网络生成候选框,再分别送入
RoI Pooling
层,得到四个相同大小的特征向量,最后将特征向量融合成指定维度上的新特征向量,并将其置于全连接层中完成识别任务
。2.
根据权利要求1所述一种基于联邦学习的分布式小尺度肺结节检测方法,其特征在于,训练时通过多个本地客户端的模型平均训练时间,具体为:其中,
Tavg
为前
s
轮模型训练时间的平均值
。3.
根据权利要求1所述一种基于联邦学习的分布式小尺度肺结节检测方法,其特征在于,
AdaGrad
优化器实现方式为:优化器实现方式为:式中
J
为损失函数;
g
t,i
表示
t
时刻的
θ
i
梯度;
G
t,ii
表示
t
时刻参数
θ
i
的梯度平方和
。4.
根据权利要求1所述一种基于联邦学习的分布式小尺度肺结节检测方法,其特征在于,
CBAM
模块包括通道注意力模块和空间注意力模块;所述通道注意力模块对输入特征图
F
分别做基于
width
和
height
的全局最大池化
、
全局平均池化,得到不同空间语义描述算子,然后分别进入共享两层神经网络,其激活函数为
Relu
函数;然后,将共享两层神经...
【专利技术属性】
技术研发人员:季长清,曹思雨,汪祖民,程保罗,秦静,
申请(专利权)人:大连大学,
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。