[发明专利]面向多站点三维影像的联邦深度学习方法及系统

权利要求书

1.一种面向多站点三维影像的联邦深度学习方法，其特征在于，包括单个站点执行的下述步骤：

1）选择联邦中的深度学习网络模型；

2）使用私有数据对深度学习网络模型进行本轮训练，完成本轮训练后跳转下一步；

3）将本轮训练得到梯度信息发送给指定的中央计算服务器；

4）收到中央计算服务器返回的融合其他站点发送的梯度信息后的全局梯度信息；

5）采用全局梯度信息更新深度学习网络模型；

6）判断是否需要继续训练，若需要继续训练，则跳转步骤2）；否则，最终完成训练后得到专属的深度学习网络模型；

步骤2）使用私有数据对深度学习网络模型进行本轮训练之前还包括建立私有数据的训练集和测试集的步骤：分别将正常人和患者作为被试，采集被试的结构磁共振成像，并经过预处理获得被试的三维的图像矩阵，并将被试的结构磁共振成像获得的三维的图像矩阵对被试给予标签作为二分类的数据样本集，并将所有数据样本使用N折交叉验证法分为训练集和测试集；步骤3）之后、步骤4）之前还包括中央计算服务器融合其他站点发送的梯度信息得到全局梯度信息的下述步骤：接收各个站点完成同一轮训练后发送的梯度信息，将各个站点发送的梯度信息乘以对应的预设权重再融合其他站点发送的梯度信息后得到该站点对应的全局梯度信息，将全局梯度信息返回给发送梯度信息的各个站点；所述将各个站点发送的梯度信息乘以对应的预设权重再融合其他站点发送的梯度信息后得到该站点对应的全局梯度信息包括：待各参与站点均将第一轮迭代后产生的加密梯度信息共享到中央计算服务器后，中央计算服务器根据各参与站点设定的权重λ，其余所有参与方权重为1-λ，按照各参与站点设定的权重λ为每一站点加权聚合所有参与站点共享的加密信息得到该站点专属的全局梯度信息。

2.根据权利要求1所述的面向多站点三维影像的联邦深度学习方法，其特征在于，步骤3）中将本轮训练得到梯度信息发送给指定的中央计算服务器时是指：将本轮训练得到梯度信息加密后发送给指定的中央计算服务器，所述加密是指对梯度信息添加有效加密等级为ɛ的噪音实现ɛ级别的差分隐私保护，各站点均具有对应的隐私保护程度参数ɛ。

3.根据权利要求1所述的面向多站点三维影像的联邦深度学习方法，其特征在于，步骤2）中使用私有数据对深度学习网络模型进行本轮训练时，所述私有数据是指被试的结构磁共振成像获得的三维的图像矩阵。

4.根据权利要求3所述的面向多站点三维影像的联邦深度学习方法，其特征在于，所述三维的图像矩阵尺寸大小为H×L×W，其中H×W对应横向二维图像尺寸的大小，L为结构脑影像成像时的纵向切片数量。

5.根据权利要求1所述的面向多站点三维影像的联邦深度学习方法，其特征在于，所述预处理是指使用CAT-12提取结构影像中的灰质区域。

6.根据权利要求1所述的面向多站点三维影像的联邦深度学习方法，其特征在于，步骤2）使用私有数据对深度学习网络模型进行本轮训练时，每个参与站点使用相同的随机种子初始化模型参数，并使用相同的批尺寸、迭代轮数、学习率的超参数设定，每个参与站点均使用相同的优化器更新策略。

7.一种面向多站点三维影像的联邦深度学习系统，包括相互连接的微处理器和存储器，其特征在于，该微处理器被编程或配置以执行权利要求1～6中任意一项所述面向多站点三维影像的联邦深度学习方法的步骤，或者该存储器中存储有被编程或配置以执行权利要求1～6中任意一项所述面向多站点三维影像的联邦深度学习方法的计算机程序。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有被编程或配置以执行权利要求1～6中任意一项所述面向多站点三维影像的联邦深度学习方法的计算机程序。