[发明专利]图像异常区域检测方法、装置、电子设备及存储介质

权利要求书

1.一种图像异常区域检测方法，其特征在于，所述方法应用于参与联邦学习的其中一个参与方的客户端中，包括：

从预先构建的本地数据库中获取诊疗图像及诊疗结果，对所述诊疗图像进行异常区域定位，得到异常区域图像；

对所述异常区域图像进行3D图像构建，生成3D异常区域图像；

对所述3D异常图像进行特征提取得到病理特征，对所述病理特征及诊疗结果分别进行向量化处理，得到病理特征向量及诊疗结果向量；

采用样本对齐方法，从所述病理特征向量和诊疗结果向量中选取共享样本；

利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度；

将所述初始模型梯度加密并采取添加噪声处理后，上传至服务端，并接受服务端返回的更新模型梯度；

根据所述更新模型梯度更新所述异常区域检测模型的模型梯度，得到更新异常区域检测模型，并利用所述更新异常区域检测模型对待检查图像进行异常区域的检测。

2.如权利要求1所述的图像异常区域检测方法，其特征在于，所述对所述诊疗图像进行异常区域定位，得到异常区域图像，包括：

利用全卷积神经网络中的卷积层对所述诊疗图像进行卷积操作，得到特征诊疗图像；

利用所述全卷积神经网络中的融合层对诊疗图像的底层特征与所述特征诊疗图像进行融合，得到目标特征图像；

利用所述全卷积神经网络中的激活函数输出所述目标特征图像的检测结果，并根据所述检测结果，选取所述目标特征图像的异常区域，得到异常区域图像。

3.如权利要求1所述的图像异常区域检测方法，其特征在于，所述对所述3D异常图像进行特征提取得到病理特征，包括：

获取所述3D异常图像的区域坐标框；

计算所述3D异常图像的第一病理特征预测坐标框，并计算所述第一病理特征预测坐标框与所述区域坐标框的第一交并比，筛选出所述第一交并比大于预设第一阈值的第一病理特征预测坐标框，对筛选的所述第一病理特征预测坐标框进行裁剪，得到第一病理特征图像；

计算所述第一病理特征图像的第二病理特征预测坐标框，并计算所述第二病理特征预测坐标框与所述区域坐标框的第二交并比，筛选出所述第二交并比大于预设第二阈值的第二病理特征预测坐标框，对筛选的所述第二病理特征预测坐标框进行裁剪，得到第二病理特征图像；

计算所述第二病理特征图像的第三病理特征预测坐标框，并计算所述第三病理特征预测坐标框与所述区域坐标框的第三交并比，筛选出所述第三交并比大于预设第三阈值的第三病理特征预测坐标框，对筛选的所述第三病理特征预测坐标框进行裁剪，得到第三病理特征图像；

从所述第三病理特征图像中提取出病理特征。

4.如权利要求3所述的图像异常区域检测方法，其特征在于，所述计算所述3D异常图像的第一病理特征预测坐标框，包括：

利用下述方法计算所述3D异常图像的第一病理特征预测坐标框：

其中，表示第一病理特征预测坐标框，r表示3D异常图像的图像灰度阶数，灰度概率密度函数。

5.如权利要求1所述的图像异常区域检测方法，其特征在于，所述利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度，包括：

利用所述异常区域检测模型中的卷积层对所述共享样本进行特征提取，得到特征样本；

利用所述异常区域检测模型中池化层对所述特征样本进行降维，得到降维样本；

利用所述异常区域检测模型中全连接层输出所述降维样本的训练值，利用所述异常区域检测模型中的损失函数计算所述训练值与所述共享样本标签值的损失值；

根据所述损失值，调整所述异常区域检测模型的模型梯度，直至所述损失值小于预设阈值时，得到所述异常区域检测模型的初始模型梯度。

6.如权利要求1所述的图像异常区域检测方法，其特征在于，所述接受服务端返回的更新模型梯度之前，还包括：利用所述服务端中存储的私钥，对所述初始模型梯度进行解密，得到解密模型梯度，在所述服务端中对所述解密模型梯度进行加权平均，得到更新模型梯度。