[发明专利]一种基于DF的新冠肺炎联邦学习检测方法

说明书

本发明提出一种基于DF(Dynamic Fusion)的新冠肺炎联邦学习检测方法。由于X‑Ray和肺部CT图像对于新冠肺炎的诊断具有重要意义，而联邦学习可以在保护数据隐私的前提下进行机器学习建模，因此设计了一种使用联邦学习针对图像数据对新冠肺炎进行诊断的方法，可以对不同医院的数据进行综合运用建立基于深度学习的检测模型。为了降低联邦学习中的通信消耗，利用DF(Dynamic Fusion)对等待上传的模型进行筛选，针对每次客户节点训练的本地模型在测试集上的准确率决定该模型是否上传融合，并通过评估各个客户节点的计算能力设置Waiting Time来有效解决中心节点等待问题。该发明能够针对肺部图像数据对于新冠肺炎进行准确诊断，并有效的降低通讯损耗。

技术领域

本发明涉及联邦学习、深度学习领域，具体涉及到一种基于联邦学习以及深度学习的新冠肺炎检测方法。

背景技术

肺部X-Ray和CT图像数据对于新冠肺炎的诊断具有重要的意义，是新冠肺炎诊断的重要环节，但是每位患者检查数据多达上千幅图像，单凭医师诊断对医师的经验要求极高并且效率很慢。联邦学习结合深度学习对图像数据进行处理，能够综合利用数据，快速对图像进行分析，准确诊断。最接近本发明的技术有：

(1)、基于深度学习的图像分类算法：图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题。深度学习中主要使用卷积神经网络(Convolution Neural Network,CNN)进行图像分类，将图像的像素信息作为输入，通过卷积操作进行特征的提取和高层抽象，模型输出直接是图像识别的结果。目前常见的图像分类CNN网络有Lenet、Alxnet、Vgg系列、Resnet系列、Inception系列、Densenet系列、Googlenet等。但该方法无法综合利用各地医院的数据进行综合处理，导致准确率较低性能较差。

(2)、COVID-Net：是一种专门针对X-Ray图像检测新冠肺炎的方法，其利用人机协作设计策略来创建COVID-Net，其中将人驱动的原则性网络设计与机器驱动的设计探索相结合，从而提出适合从胸部X-Ray图像数据检测新冠肺炎病例的网络结构。但该方法只针对X-Ray数据，没有将CT数据进行融合，容易产生误诊。

发明内容

为解决现有技术中的缺点和不足，本发明提出一种基于DF(Dynamic Fusion)的新冠肺炎联邦学习检测方法，结合了联邦学习以及深度学习的知识，可以更充分利用各地数据，高效准确的进行新冠诊断。

本发明的技术方案为：

一种基于DF(Dynamic Fusion)的新冠肺炎联邦学习检测方法，其特征在于，针对不同医院的数据，通过联邦学习可以在保证数据安全的前提下进行综合利用，并通过DF(Dynamic Fusion)和Waiting Time的设置节省通信开销，保证诊断可靠、高效等。包括以下步骤：

步骤(1)、中心节点初始化，创建一个Job任务，设定联邦学习融合次数以及默认Waiting Time；

步骤(2)、客户节点获取Job任务，获取网络结构模型；

步骤(3)、客户节点加载本节点数据开始训练，训练完指定数量的epoch后完成一轮训练，上传训练时间，中心节点接受到所有节点的训练时间后，更新Waiting Time；

步骤(4)、客户端以准确率为依据评估新模型的优劣，通知中心节点该模型是否需要上传中心节点进行模型融合；

步骤(5)、中心节点在收到第一个模型融合请求之后，开始等待Waiting Time长度的时间，在Waiting Time时间内发送模型上传融合请求的节点参与此次模型融合，并通知步骤(4)需要上传的客户节点上传本地模型；

步骤(6)、中心节点接收客户节点上传的本地模型，进行模型融合，生成新的全局模型；