【技术实现步骤摘要】
本专利技术涉及肝血管及肝肿瘤识别设备，具体涉及一种基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统。
技术介绍
1、肝癌是全球第六大最常见的原发癌症，也是癌症死亡的第四大原因。因此，迫切需要有效的预防方案和治疗方法来减少肝癌造成的危害。在肝癌的早期阶段，可以通过手术切除肿瘤或局部治疗来消除潜在的严重肝癌风险。
2、近年来，计算机辅助肝脏手术(如消融和栓塞)越来越多地用于治疗不适合普通手术的原发性和继发性肝脏肿瘤患者。计算机断层扫描(ct)作为计算机辅助肝脏手术的一部分，是一种常用的临床诊断方法，以提高肝脏、血管和肿瘤的可视化。因为ct能清晰显示病灶的数量、边界、密度等形态。术前专家将从ct图像中分割肝脏血管和肿瘤，帮助肝脏三维可视化、路径规划，指导肝脏介入手术。
3、然而，计算机辅助肝脏介入手术还存在一些具有挑战性的障碍。其中最关键的一点是肝脏血管和肿瘤的ct图像分割是由专家手工完成的，费时费力，且没有质量保证。这可能导致无法精确定位为肝肿瘤提供营养的血管，从而影响肝栓塞、消融等操作。最终局部肿瘤会复发。因此，医疗领域迫切需要一种智能辅助诊断关键系统。
4、随着人工智能特别是深度学习领域研究的不断推进，以及医疗大数据的不断完善，这为创造出准确、快速的智能辅助识别工具提供了良好的条件，进而为及时的肝癌临床治疗提供有效帮助。随着大量数据、更强的算力以及深度学习模型的出现，机器学习在各领域的应用中取得了较大的成功，但在实际操作中，为了使机器学习有更好的效果，人们不得不将大量原始数据送入模型中训练，
技术实现思路
1、本专利技术的目的是为了解决上述肝癌诊断领域所存在的人工低效与低准确度，提供一种基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统，能够帮助临床的肝癌诊断医生进行指导，提高肝癌诊断的准确率。本专利技术的技术方案如下：
2、一种基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统，其包括训练组件、智能分析组件以及共享服务组件；
3、训练组件，主要是用于处理患者用户的肝血管及肝肿瘤的ct医疗图像数据，将ct扫描仪采集到的图片数据作为样本，利用基于深度学习的肝血管与肝肿瘤的智能训练算法进行图像处理，得到训练模型并为后续组件提供基础；
4、智能分析组件，主要用于对输入的肝血管和肝肿瘤的ct医疗图像数据进行智能分析，通过所训练的模型对图像进行自动标注与分割，经过预处理的肝血管及肝肿瘤ct医疗图像进行标记与识别，得到包含肝肿瘤与肝血管的相对位置的ct图像进行显示，同时调用大语言模型自动分析病情并生成电子医疗报告反馈给用户；
5、共享服务组件，主要用于训练模型的共享，利用基于联邦学习的肝血管与肝肿瘤模型处理算法对信息进行整理与模型之间的加密交换，防止信息泄露，提高模型准确度，方便提供给相关机构和不同医院。
6、进一步的，所述基于深度学习的肝血管及肝肿瘤智能训练算法包括编码阶段、解码阶段两个阶段。通过输入少量医院内部肝血管与肝肿瘤数据集对深度学习模型进行训练，得到预训练模型并确保准确性，根据迁移学习再输入大量公开的肝血管及肝肿瘤数据集对已有模型进行再训练，避免模型过拟合，最终学习得到一个用于识别分析的深度学习模型，该模型能够准确地检测和分割精细尺度的动脉血管，有效地识别和分割肝脏肿瘤和血管特征。
7、进一步的，所述基于深度学习的肝血管与肝肿瘤智能训练算法的编码阶段具体包括：
8、1)利用基于深度学习的数据增强算法对肝血管及肝肿瘤的医疗图像数据库中的ct医疗图像进行旋转、放缩以及平移等处理，进行图像灰度值的预处理，实现图像对比度的增强；
9、2)利用基于深度学习的肝血管及肝肿瘤标记算法将上一步预处理过的ct医疗图像的病灶区域进行标记；
10、3)将包含标记区域的肝血管与肝肿瘤ct医疗图像数据输入到一个基于位置编码的注意力机制的宏观特征提取模块、基于细微特征的多层卷积神经网络的局部特征提取模块和基于canny算子的门控激励卷积层的边缘特征提取模块的融合编码的深度学习模型中进行预训练和迁移学习训练，并通过正则化方法平衡多任务训练的学习损失，不断迭代训练并对参数进行调优，最终学习到一个可以识别肝血管及肝肿瘤的融合编码模块。
11、进一步的，所述基于深度学习的肝血管与肝肿瘤智能训练算法的解码阶段具体包括：
12、1)输入进行融合编码后的肝血管与肝肿瘤图像，采用张量融合网络(tfn)框架保留编码信息过程中产生的跳跃连接，恢复因没有跳跃连接而丢失的低频特征信息。
13、2)利用随机梯度下降法(sgd)对编码后的图像进行解码，根据分割精确度来不断调整梯度直到精确度满足要求，从而得到一个可以精细识别肝血管与肝肿瘤的深度学习模型。
14、3)将包含标记区域的ct医疗图像数据输入已经训练好的深度学习模型中，识别得到肝血管及肝肿瘤ct医疗图像的结果。
15、进一步的，所述基于联邦学习的肝血管与肝肿瘤模型处理算法包括加密阶段、融合阶段两个阶段。通过上传在本地已经训练好的模型至云端服务器，在上传过程中利用基于密码学的差分隐私与同态加密的方法对模型进行加密，保证传输过程时的安全性，云端服务器在集合不同计算机的算力后对模型的参数进行更新，再将模型参数传回对应的本地计算机，进一步提高模型的准确性与模型算法效率。
16、进一步的，所述基于联邦学习的肝血管与肝肿瘤模型处理算法的加密阶段具体包括：
17、1)本地计算机对输入的肝血管和肝肿瘤图像加入随机高斯噪声，将原始数据隐藏其中，保证了传输时的隐秘性，防止数据参数被窃取；
18、2)本地计算机对已有噪声扰动的图像运用密码学技术采用pailler算法进行同态加密，对梯度值生成密钥从而进行加密，防止模型参数被窃取；
19、3)允许持有私钥的本地与其他计算机对梯度进行解码，方便模型参数的传递。
20、进一步的，所述基于联邦学习的肝血管与肝肿瘤模型处理算法的融合阶段具体包括：
21、1)不同计算机向云端服务器上传模型的参数，采用xgboost算法聚合参数，提高模型算法效率；
22、2)云端服务器将模型聚合参数分配给各个主机，不同主机再根据聚合的参数对本地模型进行微调，提高模型的准确度。
23、一种所述的基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统的方法，其包括以下步骤：
24、1)首先通过医院内部的ct扫描仪采集到用户的肝血管及肝肿瘤ct医疗图像作为系统进行智能识别的数据源，将数据传输给训练组件进行模型的训练，通过编码与解码模块得到初步的肝血管和肝肿瘤的深度学习模型，再通过迁移本文档来自技高网...
【技术保护点】
1.一种基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统，其特征在于：包括训练组件、智能分析组件以及共享服务组件；
2.根据权利要求1所述基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统的过程是一个不断训练学习的过程，其中的基于深度学习的肝血管及肝肿瘤智能训练算法包括编码阶段、解码阶段两个阶段。通过输入少量医院内部肝血管与肝肿瘤数据集对深度学习模型进行训练，得到预训练模型并确保准确性，根据迁移学习再输入大量公开的肝血管及肝肿瘤数据集对已有模型进行再训练，避免模型过拟合，最终学习得到一个用于识别分析的深度学习模型，该模型能够准确地检测和分割精细尺度的动脉血管，有效地识别和分割肝脏肿瘤和血管特征。其中基于联邦学习的肝血管与肝肿瘤模型处理算法包括加密阶段、融合阶段两个阶段。通过上传在本地已经训练好的模型至云端服务器，在上传过程中利用基于密码学的差分隐私与同态加密的方法对模型进行加密，保证传输过程时的安全性，云端服务器在集合不同计算机的算力后对模型的参数进行更新，再将模型参数传回对应的本地计算机，进一步提高模型的准确性与模型算法效率。
3.根据权利要求2所述的
4.根据权利要求2所述的基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统，其特征在于，基于深度学习的肝血管与肝肿瘤智能训练算法的解码阶段具体包括：
5.根据权利要求2所述的基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统，其特征在于，基于联邦学习的肝血管与肝肿瘤模型处理算法的加密阶段具体包括：
6.根据权利要求2所述的基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统，其特征在于，基于联邦学习的肝血管与肝肿瘤模型处理算法的融合阶段具体包括：
7.根据权利要求2所述的基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统，其特征在于，包括以下步骤：
...【技术特征摘要】
1.一种基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统，其特征在于：包括训练组件、智能分析组件以及共享服务组件；
2.根据权利要求1所述基于深度学习与联邦学习的肝血管与肝肿瘤智能识别系统的过程是一个不断训练学习的过程，其中的基于深度学习的肝血管及肝肿瘤智能训练算法包括编码阶段、解码阶段两个阶段。通过输入少量医院内部肝血管与肝肿瘤数据集对深度学习模型进行训练，得到预训练模型并确保准确性，根据迁移学习再输入大量公开的肝血管及肝肿瘤数据集对已有模型进行再训练，避免模型过拟合，最终学习得到一个用于识别分析的深度学习模型，该模型能够准确地检测和分割精细尺度的动脉血管，有效地识别和分割肝脏肿瘤和血管特征。其中基于联邦学习的肝血管与肝肿瘤模型处理算法包括加密阶段、融合阶段两个阶段。通过上传在本地已经训练好的模型至云端服务器，在上传过程中利用基于密码学的差分隐私与同态加密的方法对模型进行加密，保证传输过程时的安全性，云端服务器在集合不同计算机的算力...
【专利技术属性】
技术研发人员：许嘉星，曹浚哲，张文玉，杨豪，叶文萱，宋弢，韩佩甫，张旭东，刘亚宁，
申请(专利权)人：中国石油大学华东，
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。