[發明專利]一種基于聯邦學習和對比學習的醫學圖像分類方法

在審

• 申請號: 202310505919.5
• 申請日: 2023-05-06
• 公開（公告）號: CN116563625A
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 劉振丙;吳峰峰;路皓翔;王文顥;范濤;李威醒
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06T7/00;G06N20/20;G06N3/0895
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 王儉

本發明公開了一種基于聯邦學習和對比學習的醫學圖像分類方法，在聯邦學習的訓練中，將當前訓練輪次的本地模型和上一輪次的全局模型與本地模型結合起來進行訓練，減少本輪模型與上一輪全局模型特征表示之間的距離，增加本輪模型與上一輪本地模型特征表示之間的距離，運用模型之間的監督對比損失，讓客戶端的本地模型在訓練過程中逐漸靠近全局模型。這種方法能有效地減輕數據異構性所帶來的性能下降問題，增加模型的泛化能力。

技術領域

本發明涉及圖像處理領域，涉及醫學圖像分類方法，具體涉及一種基于聯邦學習和對比學習的醫學圖像分類方法。

背景技術

圖像分類是計算機視覺領域中最常見最基礎的任務之一，其本質是根據圖像中的語義信息所表現出的不同特征，見不同類別的圖像區分開的圖像處理方法。例如，針對包含黑色素瘤、良性黑色素細胞病變、基底細胞癌和光化性角化病等皮膚病進行圖像分類和識別，或者針對新冠病毒和其它細菌型感染的胸部X射線的圖像進行檢測。然而，由于數據隱私保護的問題和來自不同機構的數據異構性問題，使得當前的醫學圖像分類效果并不是很理想。

數據的異構性指的是各個醫療機構之間的數據是非獨立同分布的，不同的機構由于采樣方式不同，其數據集往往存在很大的差異，而這往往會導致模型性能的嚴重下降。聯邦學習在針對數據隱私保護的問題中做出了很大的貢獻，然而在訓練具有嚴重數據異構性的數據時，會造成客戶端訓練的模型之間存在嚴重的差異，從而隨著通信輪數的增加，模型的性能會出現嚴重的倒退。

發明內容

本發明的目的是提供一種基于聯邦學習和對比學習的醫學圖像分類方法，這種方法能有效地減輕數據異構性所帶來的性能下降問題，增加模型的泛化能力。

為解決現有技術存在的問題，本發明采用的技術方案如下：

一種基于聯邦學習和對比學習的醫學圖像分類方法，在聯邦學習的訓練中，將當前訓練輪次的本地模型和上一輪次的全局模型與本地模型結合起來進行訓練，減少本輪模型與上一輪全局模型特征表示之間的距離，增加本輪模型與上一輪本地模型特征表示之間的距離，運用模型之間的監督對比損失，讓客戶端的本地模型在訓練過程中逐漸靠近全局模型，從而提升了模型的性能，減輕了數據異構性所帶來的影響。

本發明的優點或效果：

聯邦學習允許各個醫療機構進行跨機構協同訓練，同時數據保存在本地，有效解決了數據隱私保護問題；然而，在實際應用于醫學圖像分類時，由于各個客戶端之間的數據異構性問題，導致最終訓練的分類模型無法學習到良好的特征表示。針對這個問題，本發明提出了一種聯邦對比學習的方法用于緩解數據異構性所帶來的性能倒退問題；它通過將本地模型和全局模型聯合起來進行對比學習，使得每個本地模型能夠學習到其它客戶端數據的語義信息，進而促使模型學習到更好的特征表示，并提升了模型的泛化能力。

為了證明方法的有效性，本發明在兩個用于醫學圖像分類的數據集上分別進行了實驗，均獲得了較好的實驗結果，由此可以得出，在不考慮通信成本的情況下，本方法在數據異構性的數據中表現出較強的魯棒性，具有較好的應用前景。

附圖說明

圖1為基于聯邦學習和對比學習的醫學圖像分類方法框架圖；

圖2為針對不同的客戶端數量，在皮膚病變數據集中，本發明基于聯邦學習和對比學習的醫學圖像分類方法與其它聯邦學習方法的性能曲線對比圖；

圖3為針對不同的客戶端數量，在新冠肺病毒測數據集中，本發明基于聯邦學習和對比學習的醫學圖像分類方法與其它聯邦學習方法的性能曲線對比圖。

具體實施方式

下面結合實施例和附圖對本發明內容作進一步的闡述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。