一种多中心脑影像或图像的联邦检测模型训练方法及系统技术方案

本发明专利技术公开了一种多中心脑影像或图像的联邦检测模型训练方法及系统，本发明专利技术方法包括联邦参与中心利用本地目标域和公共源域中脑影像或图像的样本数据训练一轮检测模型，将检测模型的网络参数加噪后上传至指定的中央计算服务器，接收中央计算服务器将所有联邦参与中心上传的加噪后的网络参数平均处理后得到的新的网络参数并更新本地的检测模型，若仍需训练检测模型，则继续迭代训练；否则结束并退出。本发明专利技术旨在实现确保保护隐私的条件下充分利用多联邦参与中心的本地目标域的少量已标注的样本数据和公共源域中的大量正常对照的样本数据来实现高精度的检测模型训练。

【技术实现步骤摘要】

本专利技术涉及脑影像以及图像的数据处理，具体涉及一种多中心脑影像或图像的联邦检测模型训练方法及系统。

技术介绍

1、磁共振成像、脑电图、正电子发射断层扫描等脑成像技术可以从不同角度描绘大脑的功能活动或结构形态，捕捉大脑活动的时序和空间模式，因此被广泛应用于神经科学研究、脑机接口、意识状态评估以及临床诊断等领域。例如，功能磁共振技术可以安全无创地测量和记录大脑的激活状态，从功能磁共振影像中提取的全脑功能连接能够反映不同脑区生理活动的时序相关性，可作为功能连接模式的异常检测的凭据。然而，由于采集成本较高、精确标注困难、数据量较大等因素，单个医疗影像中心难以实现大规模脑影像的获取、储存和计算处理。近年来，深度学习等先进方法在脑影像的模式识别和分类检测等领域展现出强大潜力，然而深度学习模型的高精度识别能力往往依赖于大量标注准确的训练数据。由于单个医疗影像中心难以实现大规模脑影像的获取、储存和计算处理，单个中心脑影像样本数量少的问题会降低深度学习模型的稳定性和准确性。而且，脑影像数据包含被试的年龄、诊断情况等个人隐私信息，多个中心之间的数据共享面临隐私泄露的巨大风险本文档来自技高网...

【技术保护点】

1.一种多中心脑影像或图像的联邦检测模型训练方法，其特征在于，包括：

2.根据权利要求1所述的多中心脑影像或图像的联邦检测模型训练方法，其特征在于，步骤S103中将检测模型的网络参数加噪的函数表达式为：

3.根据权利要求1所述的多中心脑影像或图像的联邦检测模型训练方法，其特征在于，步骤S102中联邦参与中心利用本地目标域和公共源域中脑影像或图像的样本数据训练一轮检测模型具体为联邦参与中心利用脑影像的样本数据训练一轮检测模型，包括：

4.根据权利要求3所述的多中心脑影像或图像的联邦检测模型训练方法，其特征在于，步骤S202中的预处理包括依次进行将最前的指...

【技术特征摘要】

1.一种多中心脑影像或图像的联邦检测模型训练方法，其特征在于，包括：

2.根据权利要求1所述的多中心脑影像或图像的联邦检测模型训练方法，其特征在于，步骤s103中将检测模型的网络参数加噪的函数表达式为：

3.根据权利要求1所述的多中心脑影像或图像的联邦检测模型训练方法，其特征在于，步骤s102中联邦参与中心利用本地目标域和公共源域中脑影像或图像的样本数据训练一轮检测模型具体为联邦参与中心利用脑影像的样本数据训练一轮检测模型，包括：

4.根据权利要求3所述的多中心脑影像或图像的联邦检测模型训练方法，其特征在于，步骤s202中的预处理包括依次进行将最前的指定数量个图像帧剔除、层间时间校正、头动校正、基于epi模板进行空间标准化、空间平滑、线性趋势去除与时域滤波以及无关变量回归；且所述进行将最前的指定数量个图像帧剔除之前，还包括对采集的脑影像进行数据筛除、时间空间校准、噪声滤除、数据平滑中的部分或全部。

5.根据权利要求3所述的多中心脑影像或图像的联邦检测模型训练方法，其特征在于，步骤s203中的提取特征向量是指按照预设的脑图谱计算脑影像的功能连接矩阵，包括：按照预设的脑图谱将脑影像样本划分脑区，计算每对脑区的平均时间序列之间的pearson相关...

【专利技术属性】
技术研发人员：曾令李，王辰宇，胡德文，苏建坡，范智鹏，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：