[发明专利]一种基于联邦学习的CT图像检测方法及相关装置

说明书

本申请提供了一种基于联邦学习的CT图像检测方法及相关装置，应用于智慧医疗，其中，一种基于联邦学习的CT图像检测方法包括：第一设备基于第一数据对第一模型进行训练，获得训练好的第一模型和第一模型参数；第一设备将第一模型参数发送至第二设备；第一设备接收第二设备发送的第一平均值和第二平均值；第一设备根据第一平均值和第二平均值按预设规则更新第一模型参数后，基于第一类CT图像对第一模型重新训练，获得训练好的第二模型和第二模型参数；第一设备基于第二模型标记输入的CT图像的异常区域。实施本申请实施例通过联邦建模方法为不同平台的协作提供了可能，而且本申请实施例采用了新的压缩算法，有效地提高了通信的效率。

技术领域

本申请涉及互联网技术领域，尤其涉及一种基于联邦学习的CT图像检测方法及相关装置。

背景技术

肺癌是癌症中全球死亡率最高的一种，而早期肺癌可以通过手术切除的方式达到治愈的目的。因此，肺癌早期的检测是至关重要的。肺癌的早期表现形式是肺结节，医生一般通过CT扫描图像判断肺结节的良恶性，而肺结节普遍具有体积小，形态不易辨别，变化范围大的特点，给医生的诊断工作带来了许多不便。为减轻工作量并提高准确率，在目前的肺结节检测中，使用了计算机辅助检测(CAD)来辅助医生诊断，另外，现有的深度学习算法也针对肺结节的特点，采用2D深度学习、3D深度学习等方法构建针对CT图像的神经网络辅助肺癌的早期筛查；但大多数研究均建立在公开的数据集LIDC-IDRI上，存在着数据量小，种类不丰富，适用性较低的问题；而本身拥有更多CT图像的医院，由于数据私密性高，无法流通，就无法将拥有的数据投入模型的训练；导致了模型识别精度差，投入人工成本高(手动标注图像)的问题。

因此，我们需要考虑如何在保证数据安全的前提下，提高模型的识别精度，减少人工成本，是亟需解决的问题。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于联邦学习的CT图像检测生成方法及装置。

第一方面，本申请实施例提供了一种基于联邦学习的CT图像检测方法，可包括：

第一设备基于第一数据对第一模型进行训练，获得训练好的第一模型和第一模型参数，所述第一设备为多个第一设备中的任意一个，所述第一数据包括所述第一设备中的第一类CT图像，所述第一类CT图像为在所述第一设备中未与其他第一设备共享的CT图像，所述第一模型参数包括梯度值；

所述第一设备将所述第一模型参数发送至第二设备；

所述第一设备接收所述第二设备发送的第一平均值和第二平均值，所述第一平均值和所述第二平均值为基于所述多个第一设备分别对应的第一模型参数确定的，所述第一平均值用于代替所述第一模型参数中正值梯度值，所述第二平均值用于代替所述第一模型参数中负值梯度值；

所述第一设备根据所述第一平均值和所述第二平均值按预设规则更新所述第一模型参数后，基于所述第一类CT图像对所述第一模型重新训练，获得训练好的第二模型和第二模型参数；

所述第一设备基于所述第二模型标记输入的CT图像的异常区域。

本申请实施例提供了一种基于联邦学习的CT图像检测方法，各个医院(相当于本申请实施例中的多个第一设备)在保证患者隐私不被暴露的情况下，通过提取本地的CT图像数据(相当于本申请实施例中的第一类CT图像)，将参数加密上传至云端(相当于本申请实施例中的第二设备)进行联合训练，解决数据集缺失的问题，提高肺癌早期检测的精度。而且，针对于对于联邦学习中可能存在的设备过多导致信息传输速度慢的问题，为了减少所需的通信字节数，通过比较正值梯度更新和负值梯度更新的大小，进一步减少需要参与计算的梯度值，减少了需要参与计算的数据量，有效地提高了通信的效率。