[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

说明书

本发明公开了一种面向多站点三维影像的联邦深度学习方法及系统，本发明包括单个站点分别使用私有数据对深度学习网络模型进行本轮训练，完成本轮训练后将本轮训练得到梯度信息发送给中央计算服务器，收到返回的全局梯度信息后采用全局梯度信息更新深度学习网络模型，然后选择继续迭代训练或结束。本发明可利用单一站点有限的私有数据、安全地联邦全局梯度信息协同更新的联邦深度学习方法来从三维影像中实现对目标区域有效特征的提取，有助于打破现有法律规定下不同站点之间数据所有权问题和分享的壁垒，鼓励更多拥有同种类三维数据的站点加入联邦以丰富可安全聚合的全局信息，得到更稳健有效的、普适性更强的联邦三维深度分类模型。

技术领域

本发明涉及三维影像联邦深度学习技术，具体涉及一种面向多站点三维影像的联邦深度学习方法及系统。

背景技术

三维影像作为三维世界的真实结构成像，常常包含了对于目标的真实结构信息，在三维点云分割识别、真实场景建模、医学成像的分类诊断等众多领域有着丰富的应用前景。以医学三维成像为例，包括CT、MRI等多种非侵入式的成像技术，常常作为医生对被试进行诊疗的辅助手段，目前的成像技术可以实现较为精准的呈现被试目标区域的三维成像，对被试在不同疾病相关的目标区域是否产生差异进行辨识提供了方法学和数据结构的支撑。

近年来深度学习在二维图像的模式识别和分类领域逐渐显现出巨大的优势和强大的能力，但是一个有效的深度学习模型需要大规模有标签的训练样本。由于三维影像数据相比映射在平面的二维数据拥有更多的空间特征信息，其采集、准确标注、大量存储和执行计算的成本相比二维图像要求更高，这样的成本任何的单一站点都难以承担；同时三维影像数据中又包含了包括场景、结构等等更多的隐私信息，无论是相应采集数据的站点还是被采集数据的数据所有者，都不愿意面临泄露隐私的风险，并且随着国家相应的隐私保护法规日益完善以及数据所有权等一系列复杂的问题，导致当前多站点数据量少，仅依靠单一站点的数据量不足以有效训练的三维深度网络模型，同时各站点之间无法对原始数据集中或分享实现深度学习训练模型中常用的样本集中式学习。所以目前亟需解决这样一种多站点少样本的三维影像有效利用的方法和结构的问题。

因此，在面向多站点三维影像的联邦深度学习方法及系统的理论下，使用三维影像数据直接作为深度模型的训练数据，使用三维深度网络捕捉三维影像的空间特征信息，主要依靠训练过程中产生的梯度信息包含丰富的数据及标签的分布特征信息，提取并加密实现安全聚合后，在训练过程中协同帮助不同参与站点更新联邦模型的参数，从而设计一种利用单一站点有限的私有数据、安全地联邦全局梯度信息协同更新的联邦深度学习方法来从三维影像中实现对目标区域有效特征的提取，该方法将有助于打破现有法律规定下不同站点之间数据所有权问题和分享的壁垒，鼓励更多拥有同种类三维数据的站点加入联邦以丰富可安全聚合的全局信息，得到更稳健有效的、普适性更强的联邦三维深度分类模型。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种面向多站点三维影像的联邦深度学习方法及系统，本发明可利用单一站点有限的私有数据、安全地联邦全局梯度信息协同更新的联邦深度学习方法来从三维影像中实现对目标区域有效特征的提取，有助于打破现有法律规定下不同站点之间数据所有权问题和分享的壁垒，鼓励更多拥有同种类三维数据的站点加入联邦以丰富可安全聚合的全局信息，得到更稳健有效的、普适性更强的联邦三维深度分类模型。

为了解决上述技术问题，本发明采用的技术方案为：

一种面向多站点三维影像的联邦深度学习方法，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；