[發明專利]一種基于DF的新冠肺炎聯邦學習檢測方法

在審

• 申請號: 202011082180.4
• 申請日: 2020-10-12
• 公開（公告）號: CN112216401A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 王志鵬;張衛山;周韜
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G16H50/80
• 分類號: G16H50/80;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提出一種基于DF(Dynamic Fusion)的新冠肺炎聯邦學習檢測方法。由于X?Ray和肺部CT圖像對于新冠肺炎的診斷具有重要意義，而聯邦學習可以在保護數據隱私的前提下進行機器學習建模，因此設計了一種使用聯邦學習針對圖像數據對新冠肺炎進行診斷的方法，可以對不同醫院的數據進行綜合運用建立基于深度學習的檢測模型。為了降低聯邦學習中的通信消耗，利用DF(Dynamic Fusion)對等待上傳的模型進行篩選，針對每次客戶節點訓練的本地模型在測試集上的準確率決定該模型是否上傳融合，并通過評估各個客戶節點的計算能力設置Waiting Time來有效解決中心節點等待問題。該發明能夠針對肺部圖像數據對于新冠肺炎進行準確診斷，并有效的降低通訊損耗。

技術領域

本發明涉及聯邦學習、深度學習領域，具體涉及到一種基于聯邦學習以及深度學習的新冠肺炎檢測方法。

背景技術

肺部X-Ray和CT圖像數據對于新冠肺炎的診斷具有重要的意義，是新冠肺炎診斷的重要環節，但是每位患者檢查數據多達上千幅圖像，單憑醫師診斷對醫師的經驗要求極高并且效率很慢。聯邦學習結合深度學習對圖像數據進行處理，能夠綜合利用數據，快速對圖像進行分析，準確診斷。最接近本發明的技術有：

(1)、基于深度學習的圖像分類算法：圖像分類是根據圖像的語義信息將不同類別圖像區分開來，是計算機視覺中重要的基本問題。深度學習中主要使用卷積神經網絡(Convolution Neural Network,CNN)進行圖像分類，將圖像的像素信息作為輸入，通過卷積操作進行特征的提取和高層抽象，模型輸出直接是圖像識別的結果。目前常見的圖像分類CNN網絡有Lenet、Alxnet、Vgg系列、Resnet系列、Inception系列、Densenet系列、Googlenet等。但該方法無法綜合利用各地醫院的數據進行綜合處理，導致準確率較低性能較差。

(2)、COVID-Net：是一種專門針對X-Ray圖像檢測新冠肺炎的方法，其利用人機協作設計策略來創建COVID-Net，其中將人驅動的原則性網絡設計與機器驅動的設計探索相結合，從而提出適合從胸部X-Ray圖像數據檢測新冠肺炎病例的網絡結構。但該方法只針對X-Ray數據，沒有將CT數據進行融合，容易產生誤診。

發明內容

為解決現有技術中的缺點和不足，本發明提出一種基于DF(Dynamic Fusion)的新冠肺炎聯邦學習檢測方法，結合了聯邦學習以及深度學習的知識，可以更充分利用各地數據，高效準確的進行新冠診斷。

本發明的技術方案為：

一種基于DF(Dynamic Fusion)的新冠肺炎聯邦學習檢測方法，其特征在于，針對不同醫院的數據，通過聯邦學習可以在保證數據安全的前提下進行綜合利用，并通過DF(Dynamic Fusion)和Waiting Time的設置節省通信開銷，保證診斷可靠、高效等。包括以下步驟：

步驟(1)、中心節點初始化，創建一個Job任務，設定聯邦學習融合次數以及默認Waiting Time；

步驟(2)、客戶節點獲取Job任務，獲取網絡結構模型；

步驟(3)、客戶節點加載本節點數據開始訓練，訓練完指定數量的epoch后完成一輪訓練，上傳訓練時間，中心節點接受到所有節點的訓練時間后，更新Waiting Time；

步驟(4)、客戶端以準確率為依據評估新模型的優劣，通知中心節點該模型是否需要上傳中心節點進行模型融合；

步驟(5)、中心節點在收到第一個模型融合請求之后，開始等待Waiting Time長度的時間，在Waiting Time時間內發送模型上傳融合請求的節點參與此次模型融合，并通知步驟(4)需要上傳的客戶節點上傳本地模型；

步驟(6)、中心節點接收客戶節點上傳的本地模型，進行模型融合，生成新的全局模型；