[发明专利]基于单轮通信深宽联邦学习的病理图像组织分类方法及装置

权利要求书

1.基于单轮通信深宽联邦学习的病理图像组织分类方法，其特征在于，包括下述步骤：

中心服务器初始化用于提取多尺度深度特征的深度学习模型，并加载预训练参数，同时定义宽度学习模型的结构，完成全局模型的初始化；

将预处理后的训练样本输入从中心服务器得到的预训练好的深度学习模型，提取深度学习模型在不同的卷积阶段的多张不同尺度特征图，将多张不同尺度特征图经过特征压缩后将所有深度特征点并联为一个宽度特征向量；

基于所述宽度特征向量得到宽度学习模型的宽度增强节点，根据所述宽度特征向量和宽度增强节点进行本地宽度学习模型的训练，宽度学习模型计算输出层的权重参数；

本地模型将所述权重参数上传并聚合；

基于本地模型上传的权重参数更新全局模型参数，利用更新后的全局模型进行病理图像组织分类预测。

2.根据权利要求1所述基于单轮通信深宽联邦学习的病理图像组织分类方法，其特征在于，所述全局模型初始化后，还包括下述步骤：

中心服务器将深度学习模型参数与架构和宽度学习模型的结构下发给各参与训练的训练用户；

各训练用户在本地执行多尺度深度特征提取与宽度学习模型训练过程。

3.根据权利要求1所述基于单轮通信深宽联邦学习的病理图像组织分类方法，其特征在于，对训练样本进行预处理，具体为：

将病理图像利用颜色相关性算法生成组织掩码，同时利用区域标注生成不同癌变区域的掩码，再使用所述组织掩码和癌变区域掩码生成非癌变区域掩码，并在癌变区域掩码和非癌变区域掩码中生成采样中心点，基于采样中心点完成病理图像的切割，得到预处理后的训练样本。

4.根据权利要求1所述基于单轮通信深宽联邦学习的病理图像组织分类方法，其特征在于，所述将多张不同尺度特征图经过特征压缩后将所有深度特征点并联为一个宽度特征向量，具体为：

由于不同层次的特征图含有不同的通道数，需要经过特征压缩将每个通道分别凝练成一个深度特征点e^i,k，压缩公式如下：

其中，f_i,k表示第i个训练用户的第k个特征图的中间层特征，l和m分别为各特征图中每个值的索引，h_k、w_k分别是第k个特征图的高和宽，f_squeeze(·表示特征压缩函数，其作用是讲输入的多通道特征图压缩成为通道数量为维度的一个特征向量；

将所有深度特征点并联为一个宽度特征向量，如下式：

z_i＝[e_i,1,e_i,2,…,e_i,k]

其中z_i为输入样本x对应的宽度特征向量，每个宽度特征节点为k个通道级别特征向量e_.,k级联而成；

对于有n_i个输入样本的训练用户i则能够提取的总特征矩阵为Z_i:

其中n_i为训练样本数量，k为每个样本所提取的特征维度，总特征矩阵Z_i的维度为n_i×k。