一种基于联邦半监督学习的皮肤病变智能识别方法及系统技术方案

本发明专利技术公开了一种基于联邦半监督学习的皮肤病变智能识别方法及系统，包括：建立云边协同的皮肤病变智能识别网络，并接收上传的图像信息；建立基于联邦半监督学习的学习框架，并对所述联邦半监督学习的算法进行训练；利用训练后的算法对输入的图片进行识别，并输出概率最大的病变类别和概率作为诊断结果。在保护用户隐私的前提下，协同训练各个医疗机构数据，可为用户提供准确便捷的诊断服务。能够有效控制局部模型与全局模型之间的差异。能够明确各个本地模型的贡献，并将各个不均匀的本地模型聚合成一个全局共识模型，以进一步降低数据异构的影响。取得了更好的分类性能，同时其可扩展性也明显优于其他现有方法。

【技术实现步骤摘要】

本专利技术涉及人工智能与智慧医疗，具体为一种基于联邦半监督学习的皮肤病变智能识别方法及系统。

技术介绍

1、皮肤病是最为常见的疾病之一，而恶性皮肤病变，如黑色素瘤，是导致全球皮肤病相关死亡病例的主要原因。早期诊断对黑色素瘤患者的生存率至关重要，研究表明在早期阶段被诊断出来的患者5年生存率可达90％以上。反之，若黑色素瘤在早期未被诊断出来，致死率极高，患者五年生存率通常低于15％。因此，及早发现和诊断恶性皮肤病变对于减少患者死亡率具有重要意义。借助深度学习，可以实现基于图像的皮肤病自动识别分类，提高诊断的效率和准确率。

2、当前基于深度学习的皮肤病识别方法取得了良好的性能，其仍在存在一些挑战。大规模高质量的皮肤病变数据是训练深度学习模型的关键，但是目前大多数公开可用的皮肤病变数据集规模较小，这限制了深度学习模型的性能和泛化能力。其次，在医疗领域，医疗机构之间无法共享患者数据。由于训练样本不足，单一医疗机构训练得到的诊断模型往往性能较差，无法满足皮肤科医生的辅助诊断以及患者的初步筛查需求。

3、目前，有许多研究者针对数据异构提出了新的联本文档来自技高网...

【技术保护点】

1.一种基于联邦半监督学习的皮肤病变智能识别方法，其特征在于，包括：

2.如权利要求1所述的基于联邦半监督学习的皮肤病变智能识别方法，其特征在于：所述云边协同的皮肤病变智能识别网络包括，用户、边缘层、云层与样本源层；

3.如权利要求2所述的基于联邦半监督学习的皮肤病变智能识别方法，其特征在于：所述联邦半监督学习包括，面向数据异构的半监督损失函数，同时通过融合多重随机采样与准确率加权方法，将各个不均匀的本地模型聚合成一个全局共识模型。

4.如权利要求3所述的基于联邦半监督学习的皮肤病变智能识别方法，其特征在于：所述融合多重随机采样与准确率加权方法的步骤包...

【技术特征摘要】

1.一种基于联邦半监督学习的皮肤病变智能识别方法，其特征在于，包括：

2.如权利要求1所述的基于联邦半监督学习的皮肤病变智能识别方法，其特征在于：所述云边协同的皮肤病变智能识别网络包括，用户、边缘层、云层与样本源层；

3.如权利要求2所述的基于联邦半监督学习的皮肤病变智能识别方法，其特征在于：所述联邦半监督学习包括，面向数据异构的半监督损失函数，同时通过融合多重随机采样与准确率加权方法，将各个不均匀的本地模型聚合成一个全局共识模型。

4.如权利要求3所述的基于联邦半监督学习的皮肤病变智能识别方法，其特征在于：所述融合多重随机采样与准确率加权方法的步骤包括，

5.如权利要求4所述的基于联邦半监督学习的皮肤病变智能识别方法，其特征在于：所述fixmatch算法的训练过程由有监督训练和无监...

【专利技术属性】
技术研发人员：史泽华，陈思光，段聪颖，顾敏杰，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：