本发明专利技术公开了一种个性化联邦学习的医学图像分类方法，包括：若干个医疗机构使用其私有数据进行训练，并且使用类间可分离性损失作为损失函数监督训练得到若干个本地模型；将每个所述本地模型均解耦为通用组件和个性化组件，其中，所述通用组件包括医学图像分类的通用信息，所述个性化组件包括各个医疗机构的个性化信息；将所有的所述通用组件进行聚合更新，获取新的通用组件；将所述新的通用组件传输回各自客户端，与各自客户端中的个性化组件进行集成，生成最终的本地模型，基于所述最终的本地模型对医学图像进行分类。
【技术实现步骤摘要】
本专利技术属于图像处理，尤其涉及一种个性化联邦学习的医学图像分类方法、系统、设备及介质。
技术介绍
1、随着医学影像技术的飞速发展，医学图像已成为疾病诊断和治疗过程中不可或缺的一部分。然而，由于医学图像的复杂性和多样性，传统的图像处理技术在准确性和效率上存在限制。近年来，随着人工智能的快速进步，基于深度学习的医学图像分类方法显著提高了医学图像分类的准确性和效率，但这些方法常常受限于数据隐私和安全问题，尤其是当涉及到敏感的医疗信息时。
2、个性化联邦学习(personalized federated learning，pfl)作为一种新兴的机器学习范式，为解决这一难题提供了新的解决方案。它允许多个机构合作训练共享模型，同时无需交换或共享他们的数据。这种方法特别适用于医学图像分类，因为它不仅保证了数据的隐私性和安全性，而且能够利用来自不同来源的大量数据，从而提高模型的泛化能力和准确度。在医学图像分类领域，联邦学习能够整合不同医院、诊所和研究机构的数据，促进跨机构的合作。然而，实现有效的个性化联邦学习系统面临诸多挑战：1)本地模型中通用信息和个性化信息的复杂耦合，这种耦合导致模型难以有效区分适用于所有客户端的通用信息和仅针对特定客户端的个性化信息；2)私有数据集中的类间高度相似性，这可能导致模型难以区分医学图像中不同疾病类别。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种个性化联邦学习的医学图像分类方法、系统、设备及介质，以解决上述现有技术存在的问题。
<
p>2、为实现上述目的，本申请提出了一种个性化联邦学习的医学图像分类方法，包括以下步骤：3、若干个医疗机构使用其私有数据进行训练，并且使用类间可分离性损失作为损失函数监督训练得到若干个本地模型；
4、将每个所述本地模型均解耦为通用组件和个性化组件，其中，所述通用组件包括医学图像分类的通用信息，所述个性化组件包括各个医疗机构的个性化信息；
5、将所有的所述通用组件进行聚合更新，获取新的通用组件；
6、将所述新的通用组件传输回各自客户端，与各自客户端中的个性化组件进行集成，生成最终的本地模型，基于所述最终的本地模型对医学图像进行分类。
7、可选的，若干个医疗机构使用其私有数据进行训练，并且使用类间可分离性损失作为损失函数监督训练得到若干个本地模型的过程包括：
8、通过所述本地模型的骨干网络对医学图像进行特征提取，通过全连接层对提取的特征进行分类，获取分类权重，其中所述分类权重包括若干个医学图像分类结果中不同类别的权重；
9、将权重和特征转换至归一化超球面并在特征空间中进行计算，基于类间可分离性损失、权重-特征的角度与决策边界的关系，调整不同类别所在的决策边界的角度，完成类别间的分离，最终完成训练得到若干个本地模型。
10、可选的，所述类间可分离性损失的表达式为：
11、
12、其中，表示为第i个图像属于第c个预测类别，表示为第i个图像属于第c个真实类别。
13、可选的，将微调后的每个所述本地模型均解耦为通用组件和适应所述私有数据集的个性化组件，将所有的所述通用组件进行聚合更新，获取新的通用组件的过程包括：
14、对每个本地模型进行奇异值分解，将压缩的左奇异矩阵和右奇异矩阵传输较大的奇异值作为所述通用组件；
15、保留较小的奇异值和左奇异矩阵和右奇异矩阵的剩余部分作为所述个性化组件。
16、可选的，对每个本地模型进行奇异值分解的过程包括：
17、将本地模型划分为左奇异矩阵、奇异值矩阵和右奇异矩阵；
18、将所述左奇异矩阵、所述奇异值矩阵和所述右奇异矩阵拼接为整体组件；
19、使用截断率tr和截距sk的掩码m对整体组件分解。
20、可选的，使用截断率tr和截距sk的掩码m对整体组件分解的表达式为：
21、
22、pc＝(1-m)⊙ac
23、uc′＝m⊙ac
24、其中，ac为整体组件，uc′为从服务器聚合累计的通用组件，pc为个性化组件，m为掩码，⊙是元素乘法，d1、d2为核空间的大小，且d1＝d2，tr为截断率，tr满足通过去掉uc′中的元素0得到通用组件。
25、为实现上述目的，本申请还提出了一种个性化联邦学习的医学图像分类系统，包括：
26、模型构建模块，用于通过使用类间可分离性损失作为损失函数，使用若干个医疗机构的私有数据进行训练获得若干个本地模型；
27、个性化联邦学习解耦模块，用于将每个所述本地模型均解耦为通用组件和个性化组件，将所有的所述通用组件进行聚合更新，获取新的通用组件；
28、分类模块，用于将所述新的通用组件传输回各自客户端，与各自客户端中的个性化组件进行集成，生成最终的本地模型，基于所述最终的本地模型对医学图像进行分类。
29、为实现上述目的，本申请还提出了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的个性化联邦学习的医学图像分类方法。
30、为实现上述目的，本申请还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的个性化联邦学习的医学图像分类方法。
31、与现有技术相比，本专利技术具有如下优点和技术效果：
32、本项专利技术提出了一种创新性的个性化联邦学习框架(fedpdn)，旨在应对医学图像疾病分类的挑战。该框架在个性化联邦学习的基础上，本专利技术提出了解耦局部模型策略(dlms)和类间可分离性损失(is loss)。本专利技术同时考虑和解决了两大关键挑战：一是在本地模型中对通用信息和个性化信息的耦合；二是客户端私有数据集中疾病类别间的医学图像存在高度相似性。
本文档来自技高网...
【技术保护点】
1.一种个性化联邦学习的医学图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的个性化联邦学习的医学图像分类方法，其特征在于，若干个医疗机构使用其私有数据进行训练，并且使用类间可分离性损失作为损失函数监督训练得到若干个本地模型的过程包括：
3.根据权利要求2所述的个性化联邦学习的医学图像分类方法，其特征在于，所述类间可分离性损失的表达式为：
4.根据权利要求1所述的个性化联邦学习的医学图像分类方法，其特征在于，将微调后的每个所述本地模型均解耦为通用组件和适应所述私有数据集的个性化组件，将所有的所述通用组件进行聚合更新，获取新的通用组件的过程包括：
5.根据权利要求4所述的个性化联邦学习的医学图像分类方法，其特征在于，对每个本地模型进行奇异值分解的过程包括：
6.根据权利要求5所述的个性化联邦学习的医学图像分类方法，其特征在于，使用截断率tr和截距Sk的掩码M对整体组件分解的表达式为：
7.一种个性化联邦学习的医学图像分类系统，其特征在于，包括：
8.一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的个性化联邦学习的医学图像分类方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的个性化联邦学习的医学图像分类方法。
...
【技术特征摘要】
1.一种个性化联邦学习的医学图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的个性化联邦学习的医学图像分类方法，其特征在于，若干个医疗机构使用其私有数据进行训练，并且使用类间可分离性损失作为损失函数监督训练得到若干个本地模型的过程包括：
3.根据权利要求2所述的个性化联邦学习的医学图像分类方法，其特征在于，所述类间可分离性损失的表达式为：
4.根据权利要求1所述的个性化联邦学习的医学图像分类方法，其特征在于，将微调后的每个所述本地模型均解耦为通用组件和适应所述私有数据集的个性化组件，将所有的所述通用组件进行聚合更新，获取新的通用组件的过程包括：
5.根据权利要求4所述的个性化联邦学习的医学图像分类方法，其...
【专利技术属性】
技术研发人员：岳广辉，张俪馨，魏佩珊，汪天富，
申请(专利权)人：深圳大学，
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。