一种医学影像分析用的参与度自适应联邦学习方法技术

一种医学影像分析用的参与度自适应联邦学习方法

【技术实现步骤摘要】
一种医学影像分析用的参与度自适应联邦学习方法、系统


[0001]本专利技术涉及医学影像处理
，尤其涉及一种医学影像分析用的参与度自适应联邦学习方法
、
系统
。

技术介绍

[0002]现有基于大规模数据的深度学习算法通常将数据集中再进行模型开发，然而由于医疗影像数据的隐私性和敏感性，数据通常无法离开其所在的医疗机构，导致算法无法正常执行
。
此外，由于我国各地区的差异性，导致不同地区医疗机构在数据数量
、
质量
、
种类上都存在较大的差异，而基于这样具有异构性的数据进行模型开发，无疑会限制最终的效果
。
因此，急需有效的分布式学习范式，在数据不出本地的前提下，保障基于大规模医疗影像的识别和诊断算法得以高效精准地执行
。
[0003]面对大规模数据，主流的机器学习方法和深度学习方法是将数据集中进行模型开发，然而由于医疗数据的隐私性和敏感性，不同医疗机构的数据难以进行交换和整合
。2017
年麦克马汉等人提出了联邦学习，该学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种医学影像分析用的参与度自适应联邦学习方法，应用于中心服务器，其特征在于，方法包括：步骤
S01
，向多个医疗机构端发送分析模型的模型参数，以供医疗机构端对模型参数进行本地更新；步骤
S02
，接收多个医疗机构端在模型参数更新后回传的梯度，并对分析模型的模型参数按如下公式进行首次更新：其中，
K
是参与训练的医疗机构端数量，是来自医疗机构端
k
的梯度，
η
是学习速率，是一个标量，用于控制该医疗机构端此轮训练的参与度；步骤
S03
，将模型参数为时的分析模型的损失函数构建为可导的函数，并对该函数求导计算的梯度值；之后利用更新，以获得更新后的参与度；步骤
S04
，基于更新后的参与度，对分析模型的模型参数按如下公式进行再次更新：；步骤
S05
，向多个医疗机构端发送分析模型再次更新后的模型参数，重复上述步骤
S01~S05
，直至所述分析模型的损失函数收敛
。2.
根据权利要求1所述的一种医学影像分析用的参与度自适应联邦学习方法，其特征在于，方法还包括步骤
S00
，在步骤
S01
前，预先设定各个医疗机构的参与度，用于模型参数的首次更新过程
。3.
根据权利要求1所述的一种医学影像分析用的参与度自适应联邦学习方法，其特征在于，医疗机构端回传的梯度的获取过程如下：医疗机构端在本地对分析模型的损失函数进行求导计算，继而获得梯度
。4.
根据权利要求1所述的一种医学影像分析用的参与度自适应联邦学习方法，其特征在于，所述步骤
S03
包括：步骤
S31
，将测试数据集输入模型参数为的分析模型内，并构建该分析模型的损失函数；步骤
S32
，设定上述损失函数为可导的函数，记作；步骤
S33
，根据公式，计算获得的梯度值；步骤
S34
，对进行归一化处理后，对进行更新，获得
。5.
根据权利要求1所述的一种医学影像分析用的参与度自适应联邦学习方法，其特征在于，方法还包括...

【专利技术属性】
技术研发人员：何宇巍，徐枫，郭雨晨，
申请(专利权)人：杭州涿溪脑与智能研究所，
类型：发明
国别省市：