[发明专利]基于联邦学习多中心首发精神分裂症患者的识别方法、装置及系统

说明书

本发明公开了一种基于联邦学习多中心首发精神分裂症患者的识别方法、装置及系统，基于多中心个性化联邦学习的客户端‑服务器体系；各客户端采集首发精神分裂症患者与正常人群的脑部T1图像数据，对脑部T1影像数据进行预处理，将预处理后的图像保存在本地联邦学习客户端；构建用于首发精神分裂症识别的3D卷积神经网络模型，保存在联邦学习服务端；各客户端利用各自的数据训练从联邦学习服务端下载的初始模型，并将训练后的模型参数反馈至联邦学习服务端，联邦学习服务端接受反馈后对所述模型进行训练并得到训练好的模型；输入预处理后的待检测的脑部T1图像数据，利用训练好的模型来识别是否为首发精神分裂症患者。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于联邦学习多中心首发精神分裂症患者的识别方法、装置及系统。

背景技术

精神分裂症是一种严重的慢性精神疾病，在一般人群中的终生患病率约为1％。精神分裂症的主要临床表现包括阳性症状、阴性症状和认知功能障碍。在晚期，长期的负面症状和认知功能障碍剥夺了患者的独立生活，而且近几年来，精神分裂症的发病率不断上升，发病年龄也越来越年轻，给家庭、社会和世界带来了巨大的经济负担。然而，精神分裂症的发病机制尚不清楚，许多研究表明，它是一种与大脑结构和功能异常相关的大脑疾病。尽管许多研究对精神分裂症患者的神经影像进行研究，它的诊断主要还依靠医生的经验和相关量表。

近年来，人工智能领域正在不断发展壮大，精神分类症的自动诊断已成为神经病学和生物医学工程领域中的一个重要领域，许多国内外研究学者试图开发具有高性能特征的分类器，并取得了不同程度的成果，充分证明了该技术在辅助医疗方面有着可行性。与传统的机器学习模型相比，深度学习模型可以创建一个完全自动化的诊断过程，此外，机器学习技术很难直接利用三维大脑信息，它的输入数据通常是一维的。

发明内容

利用医学影像以及深度学习技术区分首发精神分裂症与正常人群，建立3D卷积神经网络充分利用三维T1图像的空间信息数据，使用多中心数据避免单一站点数据误差，能够更好的指示精神分类症的生物标志物并辅助临床疾病诊断。利用联邦学习系统，在保护医疗数据隐私的同时，又能充分利用不同医院的数据。

发明目的：本发明旨在提供一种基于联邦学习多中心首发精神分裂症患者的识别方法、装置及系统。与传统卷积神经网络相比，3D卷积网络能够更好的利用脑部三维图像信息，从空间上揭示精神分裂症患者的脑组织变化。与联邦学习系统相结合，在保证数据隐私的同时，又能充分利用不同医院的数据，训练更好的3D卷积神经网络。

技术方案：

第一方面，本发明提供了一种多中心首发精神分裂症患者的识别系统，包括：

联邦学习服务端，被配置为：构建初始3D卷积神经网络模型，并发送给各联邦学习客户端；以及

获取从多个联邦学习客户端接收的局部更新后的模型参数，对模型参数进行优化，得到优化后的模型参数，并发送给各个联邦学习客户端；

多个联邦学习客户端，被配置为：

获取从联邦学习服务端接收的初始3D卷积神经网络模型；

获取脑部T1图像数据，其中所述脑部T1图像数据包括待检测的和带标签的脑部T1图像数据，其中所述标签包括首发精神分裂症患者和正常人群；

对脑部T1图像数据进行预处理，得到预处理后的带标签的脑部T1图像数据、待检测的脑部T1图像数据；

将预处理后的带标签的脑部T1图像数据作为训练数据集输入待训练的3D卷积神经网络模型进行训练，得到局部更新后的模型参数，并上传给联邦学习服务端；

获取从联邦学习服务端接收的优化后的模型参数，更新得到训练好的3D卷积神经网络模型；