[發明專利]基于區塊鏈的神經網絡在線學習方法及系統

在審

• 申請號: 202210363411.1
• 申請日: 2022-04-08
• 公開（公告）號: CN114677563A
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 李燕秋
• 申請（專利權）人: 李燕秋
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/44;G06K9/62;G06V10/82;G06N3/04;G06N3/08;G06F16/27
• 代理公司: 深圳力拓知識產權代理有限公司 44313
• 代理人: 龔健

本發明涉及神經網絡在線學習技術領域，具體涉及一種基于區塊鏈的神經網絡在線學習方法及系統。方法包括：根據區塊鏈上存儲的訓練好的初始DNN網絡，得到初始訓練集中各醫療圖像對應的特征矩陣以及準確率；計算期望特征矩陣；得到待訓練數據集中各醫療圖像對應的特征矩陣以及準確率；根據所述期望特征矩陣與待訓練數據集中各醫療圖像對應的特征矩陣，計算初始訓練集中各醫療圖像對應的關注程度；判定其是否大于設定關注程度閾值，若大于，則將對應的醫療圖像和所述待訓練數據集共同用于更新初始DNN網絡，并存儲在區塊鏈上。本發明根據初始訓練集中各醫療圖像的關注程度，得到一個新的訓練集對DNN網絡進行更新和訓練，使DNN網絡能夠快速收斂。

技術領域

本發明涉及神經網絡在線學習技術領域，具體涉及一種基于區塊鏈的神經網絡在線學習方法及系統。

背景技術

隨著醫療技術的不斷進步，醫療圖像數據已成為病情診斷和疾病治療的重要分析數據。同時，伴隨著人工智能技術的發展，利用神經網絡來分析處理圖像數據已成為數據分析領域的發展趨勢。

但是由于醫療圖像數據的標注需要專業人士來完成，因此數據集難以獲取并且數量少。又由于不同醫院之間很難大規模的共享數據集，導致每個醫院利用自身數據集訓練的神經網絡準確率低，容易出現過擬合或欠擬合的問題。而現有的聯邦學習方法或者其他方法給出了一種在醫院不共享數據集的情況下利用所有醫院的數據集的特征訓練一個準確的神經網絡的方法。不過隨著新的圖像數據被標注標簽，新的數據集不斷產生，數據集規模不斷變大，此時需要用新的數據集去重新訓練之前舊的神經網絡的參數。

現有技術存在以下缺陷：現有的方法是將新的數據集和之前的舊的數據集作為一個大的數據集在舊的神經網絡上進行參數的重新訓練，但是這種方法需要所有舊的數據集參與訓練，沒有充分利用神經網絡已經學習到的特征，導致網絡重新訓練時收斂的慢。

發明內容

為了解決上述技術問題，本發明的目的在于提供一種基于區塊鏈的神經網絡在線學習方法及系統，所采用的技術方案具體如下：

第一方面，本發明一個實施例提供了一種基于區塊鏈的神經網絡在線學習方法及系統，該方法包括以下步驟：

根據區塊鏈上存儲的訓練好的初始DNN網絡，得到初始訓練集中各醫療圖像對應的特征矩陣以及特征矩陣對應的準確率；

根據初始訓練集中各醫療圖像對應的特征矩陣以及各特征矩陣對應的準確率，計算期望特征矩陣；

將待訓練數據集中各醫療圖像輸入到所述初始DNN網絡的編碼器中，得到待訓練數據集中各醫療圖像對應的特征矩陣以及特征矩陣對應的準確率；

根據所述期望特征矩陣與待訓練數據集中各醫療圖像對應的特征矩陣，計算初始訓練集中各醫療圖像對應的關注程度；

判定初始訓練集中各醫療圖像對應的關注程度是否大于設定關注程度閾值，若大于，則將對應的醫療圖像和所述待訓練數據集共同用于更新初始DNN網絡，并將更新后的DNN網絡存儲在區塊鏈上。

第二方面，本發明另一個實施例提供了一種基于區塊鏈的神經網絡在線學習系統，包括存儲器和處理器，所述處理器執行所述存儲器存儲的計算機程序，以實現上述所述的基于區塊鏈的神經網絡在線學習方法。

優選的，所述計算初始訓練集中各醫療圖像對應的關注程度的方法包括：

根據所述期望特征矩陣、所述待訓練數據集中各醫療圖像對應的特征矩陣以及對應的準確率，得到各特征矩陣對應的異常程度；

根據所述初始訓練集中各醫療圖像對應的特征矩陣和所述期望特征矩陣，計算出初始訓練集差異；

根據所述初始訓練集中各醫療圖像對應的特征矩陣和所述待訓練數據集中各醫療圖像對應的特征矩陣，計算出訓練集差異；