[发明专利]一种基于半监督联邦学习的脑影像分类方法及终端设备

权利要求书

1.一种基于半监督联邦学习的脑影像分类方法，其特征在于，包括步骤：

对每个中心存储的sMRI脑影像数据分别进行预处理，得到脑灰质图像，所述脑灰质图像包括已标签脑灰质图像和无标签脑灰质图像；

服务端将经过初始化处理的全局模型发送给每个中心的客户端，所述全局模型为ResNet模型，所述ResNet模型包括两个分支，其中，第一分支用于预测无标签脑灰质图像的ROI特征，第二分支用于对脑灰质图像进行分类预测；

每个中心的客户端采用各自的脑灰质图像对接收到的全局模型进行训练，在经过预定次数的迭代之后得到训练模型，并将所述训练模型回传给服务端；

服务端对各客户端回传的训练模型进行整合得到新全局模型，并将所述新全局模型发送给每个客户端再次进行训练，重复所述训练、整合步骤，直至整合得到的终全局模型收敛；

将待测sMRI脑影像数据输入到所述终全局模型中，输出脑影像分类结果；

其中，所述ResNet模型还包括位于所述两个分支前的3D注意力模块，以及位于所述3D注意力模块和第二分支之间的注意力门控模块；所述3D注意力模块由一个核大小为1的卷积核和ReLU激活函数组成；所述3D注意力模块用于将ResNet模型提取到的多通道特征图与3D注意力模块生成的注意图相乘，得到新的特征图；

每个中心的客户端采用各自的脑灰质图像对接收到的全局模型进行训练的步骤包括：

采用公式对全局模型中的模型参数进行优化，其中，n是训练样本的容量，F(w)为目标函数，f(w；s_i)表示模型参数在训练样本S_i上的损失函数，所述训练样本选自于脑灰质图像；

在经过预定次数的迭代之后得到训练模型的步骤中，每次迭代的公式为：其中，η是学习率，b是由参与训练的样本组成的batch，是模型参数计算的梯度；

服务端对各客户端回传的训练模型进行整合得到新全局模型的步骤中，整合公式为：

2.根据权利要求1所述基于半监督联邦学习的脑影像分类方法，其特征在于，所述注意力门控模块包括分别对多通道特征图和门控信号进行卷积的第一卷积核，分别对经过卷积的多通道特征图和门控信号进行重采样的第一采样单元，对经过重采样的多通道特征图和门控信号进行相加的加法单元，位于所述加法单元后方且依次连接的ReLU激活函数、第二卷积核、Sigmoid激活函数、第二采样模块以及乘法单元。

3.根据权利要求1所述基于半监督联邦学习的脑影像分类方法，其特征在于，对每个中心存储的sMRI脑影像数据分别进行预处理的步骤包括：

对sMRI脑影像的偏置进行矫正，去除所述sMRI脑影像中的头骨部分，把灰质部分从sMRI脑影像中分割出来，得到初始脑灰质图像；

对所述初始脑灰质图像进行空间归一化处理，得到脑灰质图像。

4.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-3任意一项基于半监督联邦学习的脑影像分类方法中的步骤。

5.一种终端设备，其特征在于，包括处理器，适于实现各指令；以及存储介质，适于存储多条指令，所述指令适于由处理器加载并执行权利要求1-3任意一项基于半监督联邦学习的脑影像分类方法中的步骤。