[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

说明书

本发明公开了一种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，包括：全局模型的初始化；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；利用更新后的全局模型进行病理图像组织分类预测。本发明降低了各用户本地训练压力，简化了模型参数量，且实现了仅需一轮模型聚合就能达到良好分类预测预测效果。

技术领域

本发明属于病理图像分类的技术领域，具体涉及一种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。

背景技术

组织病理学是癌症诊断的金标准，医生可以通过全视野切片(whole slideimages)对肿瘤的良恶性进行判断并确定诊疗方案。然而，病理学分析高度依赖医生的专业知识及临床经验，所以不同的医生通过分析得到的结果会有很大的差距。为了解决这个问题，机器学习算法被应用去辅助病理医生进行全视野切片全分析。目前为止，现有的方法都是完全依赖于深度卷积的迭代训练，并未考虑病理切片对于病人信息的隐私保护性，这使得计算机辅助WSI智能分析模型一直暴露于隐私风险之中。

联邦学习的提出能够很好地保护用户的数据隐私，但并未很好的应用于病理切片的分类问题，此外多轮通信带来极大的资源和时间开销问题一直存在联邦学习的整个训练过程中。不仅如此，传统基于深度学习的联邦学习对训练数据的依赖性较大，尤其在较高拟合程度的训练后期很难进一步提升效果。

因此，如何提供一种既可以保护用户的数据隐私，同时能够提高联邦学习系统训练效率的病理图像组织分类方法，是本领域技术人员亟待解决的技术问题。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种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，在已有预训练模型的特征提取能力之上利用宽度学习训练的轻量化和高效性，在只需要一轮通信的情况下训练得到效果优越的联邦学习模型，既保护了数据的隐私安全，又降低了训练的数据和时间开销。

为了达到上述目的，本发明采用以下技术方案：

第一方面，本发明提供了一种基于单轮通信深宽联邦学习的病理图像组织分类方法，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。

作为优选的技术方案，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。

作为优选的技术方案，对训练样本进行预处理，具体为：