[發明專利]一種新型聯邦半監督學習的肺部腫瘤分割方法及裝置

在審

• 申請號: 202310205430.6
• 申請日: 2023-03-06
• 公開（公告）號: CN116310330A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 劉再毅;石鎮維;王丹;曾安;梁長虹;韓楚;陸鋮;陳鑫;黃燕琪;潘丹;楊寶瑤;張逸群
• 申請（專利權）人: 廣東省人民醫院
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/82;G06N3/0464;G06N3/08;G06T7/00
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.一種新型聯邦半監督學習的肺部腫瘤分割方法，其特征在于，包括下述步驟：

對肺部腫瘤數據進行裁剪、重采樣和歸一化預處理，得到預處理后的數據，并將預處理后的數據分有監督數據集、無監督數據集；

利用所述預處理后的數據對基于聯邦半監督學習框架的2D?U-Net分割模型進行訓練，得到訓練好的2D?U-Net分割模型；所述訓練包括有監督客戶端訓練和無監督客戶端訓練；

將待分割肺部腫瘤數據輸入至所述訓練好的2D?U-Net分割模型，輸出肺部腫瘤分割結果。

2.根據權利要求1所述一種新型聯邦半監督學習的肺部腫瘤分割方法，其特征在于，所述對肺部腫瘤數據進行裁剪、重采樣和歸一化預處理，具體為：

首先肺部腫瘤數據通過一個分割模型，把肺部分割出來，然后在原始圖像上裁剪至肺部區域的大小；

其次，由于每個客戶端數據的分辨率不同，需把各個客戶端數據的分辨率都重采樣至預設的分辨率；

最后進行標準化，需考慮適合肺部的窗寬窗位，先將肺部數據的強度值截斷到[-250,400]之間，然后用Z-Score進行標準化，防止數據規范化時被壓縮。

3.根據權利要求1所述一種新型聯邦半監督學習的肺部腫瘤分割方法，其特征在于，所述有監督數據集等比例劃分為有監督訓練集、有監督測試集和有監督驗證集；所述無監督數據集劃分為無監督訓練集、無監督測試集和無監督驗證集。

4.根據權利要求1所述一種新型聯邦半監督學習的肺部腫瘤分割方法，其特征在于，所述有監督客戶端訓練的具體過程為：

首先，有監督客戶端的訓練集通過第一基礎模型H(x；θ)，生成一個預測標簽Y₁；將預測標簽Y₁與標簽Y做損失計算；

再在有監督驗證集上做驗證，每個有監督客戶端都會產生一個驗證結果P；

其次，有監督客戶端向服務端上傳梯度參數無監督客戶端向服務端上傳梯度參數服務端聚合梯度和梯度后再發送更新后的梯度給各個有監督客戶端，其中聚合策略為：

假設有監督客戶端在第t次迭代訓練時驗證集的結果為P_i(i∈C_s),則在t+1時刻，有監督的客戶端梯度更新策略如公式所示：

其中，C_s表示的是有監督客戶端，C_u表示的是無監督的客戶端，w_s和w_u分別有監督和無監督客戶端的初始權重，表示的是動態更新的權重，和分別表示的是有監督客戶端和無監督客戶端的梯度參數，公式為：

最后，保存在有監督驗證集上得到的最好精度的梯度參數，并在有監督測試集上進行測試。

5.根據權利要求1所述一種新型聯邦半監督學習的肺部腫瘤分割方法，其特征在于，所述無監督客戶端訓練的過程為：

首先，無監督客戶端的訓練集通過第二基礎模型H(u；θ)，生成一個偽標簽

無監督客戶端的訓練集數據經過翻轉、旋轉和高斯噪聲數據增強后再次經過第二基礎模型H(u；θ),生成一個預測標簽

對無監督客戶端的訓練集數據兩次經過第二基礎模型生成的偽標簽和預測標簽做一致性損失，確保預測值趨于一致；

假設無監督客戶端在t次迭代訓練時產生的梯度設為將上傳到服務端，服務端聚合梯度參數之后，回傳的梯度全局梯度為θ^U；

將每個無監督客戶端都定義一個指數移動平均模型EMA_MODEL，指數移動平均模型EMA_MODEL和基礎模型設置一樣，但是指數移動平均模型EMA_MODEL的梯度參數更新與第二基礎模型的不同，在t+1次迭代訓練時，指數移動平均模型EMA_MODEL的梯度參數更新的公式為：

EMA_MODEL的梯度參數的更新是有全局梯度θ^U和無監督客戶端的局部梯度的加權求和，其中β表示的是加權求和的閾值；

最后，無監督客戶端利用指數移動平均模型EMA_MODEL在無監督測試集上進行測試。