[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

本發明公開了一種新型聯邦半監督學習的肺部腫瘤分割方法及裝置，方法包括：對肺部腫瘤數據進行預處理，得到預處理后的數據，并將預處理后的數據分為有監督數據集、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。本發明通過聯邦半監督學習框架，同時能夠緩解不同客戶端的數據異質性的問題，以減少模型的偏移。

技術領域

本發明屬于機器學習的技術領域，具體涉及一種新型聯邦半監督學習的肺部腫瘤分割方法及裝置。

背景技術

聯邦學習是一種先進的分布式學習概念，它利用跨多個機構的數據集，而無需任何明確的數據集中或共享。盡管聯邦學習(FL)最初是為移動邊緣設備設計的，但由于其保護患者信息隱私的特性，它在醫療領域引起了越來越多的關注。FL與輸入數據的類型無關。它能夠分析各種醫學數據模式，從自由文本臨床報告到高維醫學圖像。采用FL來訓練預測模型，并解決用于分析電子健康記錄(EHR)數據的支持向量機問題。FL應用于使用個性化機器學習模型的可穿戴醫療。有的研究人員建立了一個FL框架，用于保護隱私的多站點fMRI分類。最近，FL已成功應用于多機構腦部MRI，以通過深層神經網絡進行腫瘤分割，并改善患者信息的隱私保護。

半監督學習利用未標記數據的可用信息以及標記數據的監督，以提高機器學習模型的有效性和通用性。在計算機視覺中，半監督學習已經從不同的角度研究了各種應用(例如圖像識別)。為了利用未標記數據，研究了一致性約束，以緩解標記和未標記數據域內和域間的差距。一個研究趨勢是教師-學生模型的框架，它能夠很好地利用標記數據和未標記數據模型之間的一致性約束。另一個類似的框架，“吵鬧的學生”，在與大量未標記數據聯合訓練時，在ImageNet(一個數據集的名稱)分類上取得了最先進的表現。同時，基于一致性的模型正則化可以通過使用未標記數據的模型預測以及數據增強或預處理來實現。另一個趨勢是為未標記數據設計輔助監督任務，例如解決拼圖難題，預測旋轉角度。或者，協同訓練已應用于半監督圖像識別，其中不同的模型根據不同的“視圖”進行訓練，以便從數據中學習補充信息。隨著一些醫學數據集的公開，半監督學習用于醫學圖像分割的技術也逐漸增多。

聯邦半監督學習給如何在分布式學習環境下利用未標記數據帶來了挑戰和復雜性。據調研文獻發現，目前關于未標記醫學成像數據的聯邦半監督學習的研究非常有限。文獻1提出了一個中聯邦半監督學習的框架，用來肺炎區域的分割。該方法的基本步驟包括：1)三維肺部數據轉換為胸部CT數據集的最常見分辨率0.8mm?x?0.8mm?x?5.0mm；2)CT強度值裁剪到-1000到0的范圍內；3)把數據歸一化到[0,1]區間；4)把肺部數據的圖像大小裁剪到適用于網絡模型的輸入大小；5)處理后的數據輸入到聯邦半監督學習框架下進行迭代訓練。以上是聯邦半監督學習進行圖像分割的一般步驟。

發明內容

本發明的主要目的在于克服現有技術的缺點與不足，提供一種新型聯邦半監督學習的肺部腫瘤分割方法及裝置，通過聯邦半監督學習框架，能夠很好的緩解受監督和未受監督的客戶端之間存在潛在的領域差距。

為了達到上述目的，本發明采用以下技術方案：

本發明一方面提供了一種新型聯邦半監督學習的肺部腫瘤分割方法及裝置，包括下述步驟：

本發明一方面提供了一種新型聯邦半監督學習的肺部腫瘤分割方法，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；