[发明专利]一种基于区块链网络的医学图像分割协作方法

说明书

本发明涉及一种基于区块链网络的医学图像分割协作方法，首先各个医疗机构将各自的医疗数据进行本地深度学习训练建模，训练生成局部权重文件，局部权重文件在其所属医疗机构签名之后作为一笔交易被提交到区块链网络中，区块链网络中拥有下载权限的节点，对局部权重文件进行下载，直至所有医疗机构均生成各自的局部权重文件，当区块链网络接收到预设数量的局部权重数据后聚合生成全局权重，经过有限次迭代循环后，保存效果最好的全局权重作为最终的图像分割神经网络参数。本发明“区块链+深度学习”的框架，是一个去中心的架构，去中心机制很大程度上保证了参与方的诚实行为，各个节点的医疗数据不会被其它设备所访问，更好的保护了数据隐私。

技术领域

本发明涉及区块链与医学图像处理的交叉领域，尤其涉及一种基于区块链网络的医学图像分割协作方法。

背景技术

深度学习近些年来发展迅速，是人工智能领域的主要研究方向[1]。在计算能力大大提高的情况下，很多深度学习方向的思想都得以实现。我们知道要想训练一个准确率高并且健壮的深度学习模型，其核心要素是需要大量的高质量的训练数据。因为如果数据不足会导致模型训练的结果欠拟合。针对深度学习输入样本不足的问题，现在也提出了很多方法。比如数据增强，也叫数据扩增、过采样和欠采样、人工数据合成等。通过这样的方式确实对于提高模型的健壮性、泛化性有显著的效果，让有限的数据产生更多的数据价值。但是原始数据起着决定性因素。如何获取各方数据一直以来都是深度学习应用的挑战。

此外，隐私问题也是阻碍数据收集一个重要因素。有一些数据由于存在一些特殊性也无法得以安全共享，用来做进一步的研究,比如医疗数据。医疗机构之间因为涉及到患者隐私和相关方的利益等原因导致各方机构数据无法互通，这形成了大大小小的数据孤岛。我们还知道为了训练出与医学专家水平相同的模型，达到临床所需要的精度，需要对AI算法提供大量的能够充分代表临床环境的病例参与训练。例如一个普通医生成长为一名专家需要十几年甚至几十年的时间，经手的病例高达几十万例，AI算法想要达到相同的精度需要对同等规模的病例进行学习才能够达到。遗憾的是目前开放的最大数据库离满足人工智能训练的要求还有很大一截。如果考虑到罕见病就更麻烦了，哪怕是医学大牛可能一生也就看到过百余例。加上隐私原因或者是当地政府、地方法律法规的原因。很多医疗数据都闲置浪费着。目前很多的人工智能企业或者是医院本身的人工智能团队都只能利用自己手头非常有限的数据量进行深度学习或者机器学习等其它研究。这就使得利用医疗数据进行AI算法学习存在很大的瓶颈。但是这些珍贵的医疗数据如果通过一定的方式整合起来有望打破这种瓶颈。目前存在的现象就是大部分医疗机构不愿意共享自己掌握的数据，再加上各方本地持有的数据量不足以支撑深度学习模型建模训练，然而他们实际上是有建模需求的。对于分散数据难以集中问题，2016年谷歌提出，用以解决安卓收集终端用户在本地更新模型的问题。2016年，谷歌提出解决Android终端用户收集的问题，在本地更新模型。参考，这些努力试图使用中央服务器从本地数据学习，同时保护隐私。但这些设计是核心。

基于上述提到的背景，本专利提出了一个“区块链+深度学习”的框架。这是一个去中心的架构。它的实现可以帮助各个医疗机构在不暴露自己手头的数据的情况下，联合训练一个深度学习模型，去中心的架构保证各方在整个训练过程中，不受第三方中心机构管辖，各参与方都具有平等的权利，整个数据交换的过程都是透明的，去中心机制很大程度上保证了参与方的诚实行为。基于这样一个区块链平台来实现多方合作的模式对于解决多中心数据难以集中进行联合建模的问题提供了思路。由于数据始终由产生数据的设备所保存，不会被其它设备所访问，所以对于数据隐私具有一定的保护性。经过实验验证，本专利提出的“区块链+深度学习”能够有效解决数据孤岛和数据隐私保护的两难问题。