[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

说明书

本发明公开了一种基于半监督联邦学习的脑影像分类方法及终端设备，方法包括步骤：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；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。本发明提供的方法在防止数据泄露和保护患者隐私的同时，还提升了sMRI脑影像分类准确率。

技术领域

本发明涉及深度学习算法应用领域，特别涉及一种基于半监督联邦学习的脑影像分类方法及终端设备。

背景技术

阿尔茨海默病(Alzheimer’s Disease，AD)是一种神经退行性疾病，是危害老年人身体健康最常见的疾病之一，其主要的症状是引起记忆力和认知功能衰退，使得患者不能够生活自理。在临床上，AD的诊断需要医生结合病人的病史和临床表现以及各种检测结果做出判断，其依赖于临床经验，费时费力，因此亟需快速有效的辅助诊断方法。随着人工智能的发展，使用计算机辅助诊断AD的研究也大量出现。

几年来，学者对AD的研究主要集中在对脑影像的研究上面。深度学习作为一种新兴的技术，已经在各种医学影像研究中取得了不错的成绩，因此也被应用于脑影像的研究中作为一种计算机辅助诊断技术。

然而，当前的AD脑影像研究存在着如下几个问题：首先就是研究人员为了使用更多脑影像数据训练深度神经给网络模型，会从不同中心收集数据进行集中化训练，然而人们的脑影像是一种隐私敏感的数据，这种做法会造成数据滥用和隐私泄露；其次，有标签的脑影像需要有临床经验的专家来标注，因此脑影像中存在这少量有标签数据和大量的无标签数据，目前研究忽视了大量的无标签数据的作用；再者，目前研究当中的深度神经网络模型性能依然有限，需要进一步提升。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种基于半监督联邦学习的脑影像分类方法及终端设备，旨在解决现有深度学习方法在对脑影像进行分类时存在数据滥用以及分类准确率较差的问题。

为了解决上述技术问题，本发明所采用的技术方案如下：

一种基于半监督联邦学习的脑影像分类方法，其中，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。

所述基于半监督联邦学习的脑影像分类方法，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。

所述基于半监督联邦学习的脑影像分类方法，其中，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。