CN111652863A - 一种医学影像检测方法、装置、设备和存储介质 - Google Patents
一种医学影像检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111652863A CN111652863A CN202010462190.4A CN202010462190A CN111652863A CN 111652863 A CN111652863 A CN 111652863A CN 202010462190 A CN202010462190 A CN 202010462190A CN 111652863 A CN111652863 A CN 111652863A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- client
- medical image
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Bioethics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种医学影像检测方法、装置、设备和存储介质。其中,该方法由至少一个客户端执行,包括:接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对训练模型进行训练;将待上传模型参数集合中的模型参数上传至服务器,以供服务器根据待上传模型参数集合中的模型参数进行联盟聚合得到训练模型的目标模型参数;根据目标参数对训练模型进行训练确定目标训练模型,并基于目标训练模型对客户端本地接收的医学影像进行诊断预测。本实施例的技术方案,将作为训练集的医学影像数据存储于客户端本地中,并且在客户端本地进行诊断预测,避免了由于数据上传到服务器所带来的隐私泄露,保护了隐私数据的安全性。
Description
技术领域
本发明实施例涉及信息处理技术领域,尤其涉及一种医学影像检测方法、装置、设备和存储介质。
背景技术
随着深度学习技术的日趋成熟,利用深度学习进行医学影像的辅助诊断成为一种常见的模式。现有技术中,通常是利用各大公开数据集,以及各级医院的医学影像采集数据进行处理,进而借由机器学习相关的网络模型,来提取影像特征,进行综合判断,模拟临床诊断思路,实现自动化诊断。
然而,在现有技术中,虽然采集到的医学影像数据经过了脱敏处理,但是脱敏程度的不同也会导致不同程度的隐私泄露;此外,由于医疗机构业务流程存在多节点均可以访问数据,现有技术中还存在非交互式隐私泄露的可能。
发明内容
有鉴于此,本发明提供一种医学影像检测方法、装置、设备和存储介质,以实现对医学影像数据的隐私保护。
第一方面,本发明实施例提供了一种医学影像检测方法,由至少一个客户端执行,所述方法包括:
接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
从所述候选模型参数中确定待上传模型参数集合;
将所述待上传模型参数集合中的模型参数上传至服务器,以供服务器根据所述待上传模型参数集合中的模型参数进行联盟聚合得到所述训练模型的目标模型参数;
接收所述服务端下发的目标模型参数,根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
第二方面,本发明实施例提供了一种医学影像检测方法,由服务器执行,所述方法包括:
向客户端下发训练模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
接收客户端上传的的待上传参数集合,所述待上传参数集合由所述客户端从所述候选模型参数中确定;
根据所述待上传模型参数中模型参数进行联盟聚合得到训练模型的目标模型参数;
将所述目标模型参数下发至所述客户端,以供所述客户端根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
第三方面,本发明实施例提供了一种医学影像检测装置,配置于客户端中,该装置包括:
训练模块,用于接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
确定模块,用于从所述候选模型参数中确定待上传模型参数集合;
上传模块,用于将所述待上传模型参数集合中的模型参数上传至服务器,以供服务器根据所述待上传模型参数集合中的模型参数进行联盟聚合得到所述训练模型的目标模型参数;
预测模块,用于接收所述服务端下发的目标模型参数,根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
第四方面,本发明实施例提供的一种医学影像检测装置,配置于服务器中,该装置包括:
下发模块,用于向客户端下发训练模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
接收模块,用于接收客户端上传的的待上传参数集合,所述待上传参数集合由所述客户端从所述的候选模型参数中确定;
联盟聚合模块,用于根据所述待上传模型参数中模型参数进行联盟聚合得到训练模型的目标模型参数;
所述下发模块还用于向客户端下发包含所述加密后的模型参数的所述初始模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型训练后的加密模型参数。
第五方面,本发明实施例还提供一种设备,该设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的医学影像检测方法。
第六方面,本发明实施例还提供一种设备,该设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的医学影像检测方法。
第七方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的医学影像检测方法。
第八方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的医学影像检测方法。
本实发明实施例通过接收服务器下发的训练模型,在客户端本地对训练模型进行训练,并从训练模型的候选模型参数中确定待模型参数集合,并将该待上传模型参数集合中的模型参数上传至服务器,供服务器根据待上传模型参数集合中的模型参数进行联盟聚合得到训练模型的目标模型参数,进而根据服务端下发的目标模型参数确定目标训练模型,基于目标训练模型对客户端本地接收到的医学影像进行诊断预测。本实施例中,将作为训练集的医学影像数据存储于客户端本地中,并且在客户端本地进行诊断预测,避免了由于数据上传到服务器所带来的隐私泄露,极大的保护了隐私数据的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种医学影像检测方法的流程图医学影像检测方法;
图2为本发明实施例二提供的一种医学影像检测方法的流程图;
图3为本发明实施例三提供的一种差分隐私算法流程图;
图4为本发明实施例三提供的一种医学影像检测方法的流程图;
图5为本发明实施例四提供的一种医学影像检测装置的结构示意图;
图6是本发明实施例五提供的一种医学影像检测装置的结构示意图;
图7为本发明实施例六提供的一种设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下述各实施例中,每个实施例中同时提供了可选特征和示例,实施例中记载的各个特征可进行组合,形成多个可选方案,不应将每个编号的实施例仅视为一个技术方案。
实施例一
图1为本发明实施例一提供的一种医学影像检测方法的流程图。本实施例可适用于对医学影像进行辅助诊断的情况。该方法由配置于至少一个客户端中的医学影像检测装置执行,该装置可采用硬件和/或软件的方式实现,该装置可集成于客户端设备中。上述客户端中预存有医学影像数据,该医学影像数据作为本地训练样本,用于进行模型训练。
本发明实施例在联盟学习的框架下对深度学习网络模型进行训练,其中,联盟学习是一种机器人学习框架,通过服务端下发模型参数给本地的多个客户端节点,节点根据模型参数对本地的训练样本在本地进行训练,只将训练后得到的模型参数上传到服务器中,相关的训练数据均是保存在本地节点,并不会泄露本地的隐私数据。
具体的,参见图1,该方法具体可以包括:
S110、接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数。
其中,所述训练模型包括初始模型、学习率以及优化器等训练参数。
本实施例中的联盟学习主要应用于对医学图像数据的辅助检测。示例性的,医学影像数据可以为医院或一些医疗机构的肺部电子计算机断层扫描(Computed Tomography,CT)数据或者其他类型的医学影像数据,该医学影像数据为标注好的样本数据,基于这些样本数据对对医学影像分割模型在本地的客户端进行训练。
本实施例中,客户端可以为设置在医院或者医疗机构终端设备,如计算机、手机等具有一定算力和存储能力的终端设备。进一步的,上述客户端数量为多个,本实施例系统中采用分布式训练,每个客户端都基于本地存储的医学影像数据对医学影像分割模型进行训练。其中,服务器可以为一台中心服务器,该中心服务器用于管理整个联盟学习的过程,并进行最终的模型聚合。
示例性的,本实施例中的初始模型可以为深度神经网络(Deep Neural Networks,DNN)或者其他适用的一些深度学习网络模型。更为具体的,可以采用三维深度学习分割网络UNet作为初始模型,该初始模型包含7个卷积模块与3对跳跃连接,有19069955个训练参数,该训练参数记为模型参数集合W,该三维UNet模型在医学相关的图像分割任务上效果较好。
学习率用于在进行模型训练时控制模型的学习进度,学习率越大,表示学习速度越快,可以根据实际的训练过程进行调整。
优化器用于在模型训练过程中自适应的更新梯度函数的下降步长,以帮助梯度函数更快的收敛,从而节省训练时间。
具体的,接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数,包括:
采用自适应优化器,基于客户端本地存储的医学影像数据通过梯度下降算法对深度神经网络进行训练;
将所述梯度下降算法满足迭代停止条件时得到的深度神经网络模型参作为候选模型参数。
示例性,本实施例中可以选取自适应矩估计(Adaptive Moment Estimation,Adam)作为自适应优化器;本实施例中采用梯度下降算法对训练模型所构建代价函数进行优化,以实现代价函数最小值。示例性的,可以采用随机梯度下降算法(Stochasticgradient descent,SGD)来求解深度神经网络代价函数的极值。进一步的,本实施例中的优化算法是带动量的SGD,带动量的SGD能够加SGD优化过程中的收敛速度,提高模型训练的效率。
本实施例中,梯度下降算法的迭代停止条件可以是通过预设迭代的次数,也可以是在代价函数收敛的时候停止迭代,在DNN满足迭代停止条件后的模型参数作为候选模型参数。
进一步的,本实施例中的每一轮联盟学习中每个客户端的动量都会重置为0,在采用Adam优化器进行多轮迭代之后,模型参数集合W会得到更新,经过特定训练次数,即满足迭代停止条件时,每个客户端中会得到训练后的模型参数集合Wt,该训练后的模型参数Wt与初始模型的模型参数的差值为该差值组成的集合作为候选模型参数,后续从该候选模型参数中确定待上传模型参数。
S120、从所述候选模型参数中确定待上传模型参数集合。
本实施例中,每个客户端在进行模型训练后都会对应的得到上述模型参数差值由于完整的客户侧模型可能存在过拟合和易于被逆向推理本地训练集的问题,可以通过采用部分参数分享技术来避免该风险。其中,部分参数分享技术按照一定的预设规则仅共享上述差值集合中的部分模型参数。
示例性的,可以通过提前设定阈值,将上述差值中超过阈值那部分差值作为待上传模型参数集合,上传至服务器。仅共享部分超过设定阈值Tk的ΔWk,Tk由ΔWk的百分位数计算得出。
此外,使用梯度裁剪的方式,将不在特定范围内的值进行如下方式的调整:小于该范围的值被设为该范围的下限,大于该范围的值被设定为该范围的上限,此范围可以通过一定的验证集小规模尝试后得出。
进一步的,客户端在本地对训练模型进行训练之后,会将模型训练后的动量也上传至服务器,供服务器对训练模型进行联盟聚合。
S130、将所述待上传模型参数集合中的模型参数上传至服务器,以供服务器根据所述待上传模型参数集合中的模型参数进行联盟聚合得到所述训练模型的目标模型参数。
本实施例中,客户端将进行模型训练后得到的模型参数上传至服务器,服务器基于获取到的待上传模型参数集合中的模型参数进行联盟学习,得到训练模型的目标模型参数。
通过进行多轮迭代,将每轮中参数聚合记作Wt,其中,Wt-1为第t-1轮迭代是的模型参数,为当前轮迭代过程中,各客户端进行模型训练得到的模型间的训练差值之和。服务器对计算进行汇总得到整个模型的新的梯度,服务器将汇总结果分发至客户端,以供客户端根据上述汇总结果更新为新的加密梯度。
S140、接收所述服务端下发的目标模型参数,根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
本实施例中,在服务器对参数模型进行训练得到目标模型参数之后,会将该目标模型参数下发至客户端,每个客户端接收到上述目标模型参数之后,会跟进该模型参数对本地的训练模型进行更新,确定目标训练模型。
基于该目标训练模型,客户端可以根据该目标训练模型对本地接收的医学影像进行诊断预测,在本地可以实现辅助诊断的功能。
本实施例提供的技术方案,由至少一个客户端执行,客户端通过接收服务器下发的训练模型,在客户端本地对训练模型进行训练,并从训练模型的候选模型参数中确定待模型参数集合,并将该待上传模型参数集合中的模型参数上传至服务器,供服务器根据待上传模型参数集合中的模型参数进行联盟聚合得到训练模型的目标模型参数,进而根据服务端下发的目标模型参数确定目标训练模型,基于目标训练模型对客户端本地接收到的医学影像进行诊断预测。本实施例中,作为训练集的医学影像数据存储于客户端本地中,并且在客户端本地进行诊断预测,涉及隐私的数据均保存在客户端本地,避免了由于数据上传到服务器所带来的隐私泄露,极大的保护了隐私数据的安全性。
此外,本实施例提供的技术方案考虑到了病患端的需求,提高了医生与患者间的沟通效率。
实施例二
图2为本发明实施例二提供的一种医学影像检测方法的流程图。本实施例实在上述实施例的基础上,对步骤S120进行进一步细化,具体的,从所述候选模型参数中确定待上传模型参数集合,包括:对任一所述候选模型参数添加噪声阈值得到噪声模型参数;若所述噪声模型参数大于模型参数阈值,则将该噪声模型参数添加至待上传模型参数集合中,以生成待上传模型参数集合。
参见图2,该方法具体包括:
S210、接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数。
S220、对任一所述候选模型参数添加噪声阈值得到噪声模型参数。
本实施例中,为了进一步保障隐私数据的安全性,可以通过对噪声参数模型添加噪声的方式对候选模型参数集合中的模型参数进行脱敏处理。
示例性的,可以采用稀疏向量法实现强差分隐私,从而对客户端中训练后的待上传的参数集合进行脱敏。具体参见图3,该方法首先要对客户端训练后得到的模型参数进行正则化处理,首先对客户端训练后得到的模型参数集合进行正则化,得到正则化后的参数集合ΔWn;接着计算需要上传的模型参数的数量,记作q=q*size(ΔWn);计算拉普拉斯噪声阈值其中,s表示缩放scale,用于控制缩放,ε2表示相似性,用于控制概率分布的相似性,设定待上传集合执行循环,若成立,在参数集合ΔWn中任一抽取一项wi,向wi中加入拉普拉斯噪声,执行S230。若不成立,则退出循环,最后将待上传集合恢复正则化。
S230、若所述噪声模型参数大于模型参数阈值,则将该噪声模型参数添加至待上传模型参数集合中,以生成待上传模型参数集合。
S240、将所述待上传模型参数集合中的模型参数上传至服务器,以供服务器根据所述待上传模型参数集合中的模型参数进行联盟聚合得到所述训练模型的目标模型参数。
S250、接收所述服务端下发的目标模型参数,根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
本发明实施例提供的技术方案,通过对客户端上传的模型参数中添加噪声,避免了患者隐私数据在上传过程中遭到还原,通过消除隐私数据泄露的风险可以鼓励更过的医疗机构贡献标注数据集,有助于提升整个模型的预测效果。
实施例三
图4为本发明实施例三提供的一种医学影像检测方法的流程图。本实施例可适用于对医学影像进行辅助诊断的情况。该方法由配置于至少一个服务器中的医学影像检测装置执行,该装置可采用硬件和/或软件的方式实现,该装置可集成于服务器设备中。
参见图4,该方法具体包括:
S310、向客户端下发训练模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数。
其中,所述训练模型包括初始模型、学习率以及优化器。
具体的,向客户端下发训练模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数,包括:
基于同态加密算法对所述训练模型中初始模型的模型参数进行加密,得到加密后的模型参数;
向客户端下发包含所述加密后的模型参数的所述初始模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型训练后的加密模型参数。
其中,同态加密时一种特殊的加密方法,允许对密文进行处理得到仍然时加密的结果,对密文直接进行处理,即不需要将加密数据进行解密即可进行运算处理。
本实施例中,将同态加密算法集成在服务器的模型聚合算法中,服务器中训练模型的模型参数进行同态加密之后再下发至客户端,客户端基于同态加密后的模型参数,利用本地存储的医学影像数据对训练模型进行训练,得到训练后的加密模型参数,再上传至服务端,由服务端根据训练后的加密模型参数对训练模型进行联盟聚合。
利用同态加密算法对客户端和服务器之间互传的模型参数进行加密,服务端和客户端可以在加密的状态下进行模型参数的互传,进一步保护了数据传输过程中的安全性,确保隐私数据不被泄露。
S320、接收客户端上传的的待上传参数集合,所述待上传参数集合由所述客户端从所述候选模型参数中确定。
S330、根据所述待上传模型参数中模型参数进行联盟聚合得到训练模型的目标模型参数。
S340、将所述目标模型参数下发至所述客户端,以供所述客户端根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
本发明实施例的技术方案,通过在服务器中集成同态加密算法,使得服务器和客户端之间的模型参数在加密的状态下进行互传,进一步提高了数据传输链条的安全性。
实施例四
图5为本发明实施例四提供的一种医学影像检测装置的结构示意图,该装置配置于客户端中,该客户端本地存储有医学图像数据,用于作为模型训练的训练样本。
参见图5,该装置包括训练模块410,用于接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
确定模块420,用于从所述候选模型参数中确定待上传模型参数集合;
上传模块430,用于将所述待上传模型参数集合中的模型参数上传至服务器,以供服务器根据所述待上传模型参数集合中的模型参数进行联盟聚合得到所述训练模型的目标模型参数;
预测模块440,用于接收所述服务端下发的目标模型参数,根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
可选的,上述确定模块420具体用于:对任一所述候选模型参数添加噪声阈值得到噪声模型参数;
若所述噪声模型参数大于模型参数阈值,则将该噪声模型参数添加至待上传模型参数集合中,以生成待上传模型参数集合。
上述训练模型410具体用于:采用自适应优化器,基于客户端本地存储的医学影像数据通过梯度下降算法对深度神经网络进行训练;
将所述深度神经网络满足迭代停止条件时得到的深度神经网络模型参数作为候选模型参数。
本发明实施例所提供的医学影像检测医学影像检测装置可执行本发明任意实施例所提供的医学影像检测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6是本发明实施例五提供的一种医学影像检测装置的结构示意图,该装置配置于服务器设备中,可执行本发明任意实施例所提供的医学影像检测方法。
参照图6,该装置包括:下发模块610,用于向客户端下发训练模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
接收模块620,用于接收客户端上传的的待上传参数集合,所述待上传参数集合由所述客户端从所述候选模型参数中确定;
联盟聚合模块630,用于根据所述待上传模型参数中模型参数进行联盟聚合得到训练模型的目标模型参数;
所述下发模块610还用于向客户端下发包含所述加密后的模型参数的所述初始模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型训练后的加密模型参数。
具体的,所述下发模块具体用于:基于同态加密算法对所述训练模型中初始模型的模型参数进行加密,得到加密后的模型参数;
向客户端下发包含所述加密后的模型参数的所述初始模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型训练后的加密模型参数。
本发明实施例所提供的医学影像检测装置可执行本发明任意实施例所提供的医学影像检测方法,具备执行方法相应的功能模块和有益效果。
实施例六
图7为本发明实施例六提供的一种设备的结构示意图,图7示出了适于用来实现本发明实施例实施方式的示例性设备的框图。图7显示的设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明实施例各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明实施例所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图4所示,网络适配器20通过总线18与设备12的其它模块通信。应当明白,尽管图中未示出,可以结合设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的由至少一个客户端执行的医学影像检测方法,包括:
接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
从所述候选模型参数中确定待上传模型参数集合;
将所述待上传模型参数集合中的模型参数上传至服务器,以供服务器根据所述待上传模型参数集合中的模型参数进行联盟聚合得到所述训练模型的目标模型参数;
接收所述服务端下发的目标模型参数,根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
本发明实施例还提供了另一电子设备,其包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例所提供的由服务器执行的医学影像检测方法,包括:
向客户端下发训练模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
接收客户端上传的的待上传参数集合,所述待上传参数集合由所述客户端从所述候选模型参数中确定;
根据所述待上传模型参数中模型参数进行联盟聚合得到训练模型的目标模型参数;
将所述目标模型参数下发至所述客户端,以供所述客户端根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的应用于投标设备的医学影像检测方法的技术方案。该电子设备的硬件结构以及功能可参见实施例六的内容解释。
实施例七
本发明实施例七还提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种由至少一个客户端执行的医学影像检测方法,该方法包括:
接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
从所述候选模型参数中确定待上传模型参数集合;
将所述待上传模型参数集合中的模型参数上传至服务器,以供服务器根据所述待上传模型参数集合中的模型参数进行联盟聚合得到所述训练模型的目标模型参数;
接收所述服务端下发的目标模型参数,根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的应用于测试终端的日志处理方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例还提供了另一种计算机可读存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种由服务器执行的医学影像检测方法,该方法包括:
向客户端下发训练模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
接收客户端上传的的待上传参数集合,所述待上传参数集合由所述客户端从所述候选模型参数中确定;
根据所述待上传模型参数中模型参数进行联盟聚合得到训练模型的目标模型参数;
将所述目标模型参数下发至所述客户端,以供所述客户端根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的应用于投标设备的投标文件加解密中的相关操作。对存储介质的介绍可参见实施例七中的内容解释。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种医学影像检测方法,其特征在于,由至少一个客户端执行,所述方法包括:
接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
从所述候选模型参数中确定待上传模型参数集合;
将所述待上传模型参数集合中的模型参数上传至服务器,以供服务器根据所述待上传模型参数集合中的模型参数进行联盟聚合得到所述训练模型的目标模型参数;
接收所述服务端下发的目标模型参数,根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
2.根据权利要求1所述的方法,其特征在于,从所述的候选模型参数中确定待上传模型参数集合,包括:
对任一所述候选模型参数添加噪声阈值得到噪声模型参数;
若所述噪声模型参数大于模型参数阈值,则将该噪声模型参数添加至待上传模型参数集合中,以生成待上传模型参数集合。
3.根据权利要求1所述的方法,其特征在于,接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数,包括:
采用自适应优化器,基于客户端本地存储的医学影像数据通过梯度下降算法对深度神经网络进行训练;
将所述深度神经网络满足迭代停止条件时得到的深度神经网络模型参数作为候选模型参数。
4.一种医学影像检测方法,其特征在于,由服务器执行,所述方法包括:
向客户端下发训练模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
接收客户端上传的的待上传参数集合,所述待上传参数集合由所述客户端从所述候选模型参数中确定;
根据所述待上传模型参数中模型参数进行联盟聚合得到训练模型的目标模型参数;
将所述目标模型参数下发至所述客户端,以供所述客户端根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
5.根据权利要求4所述的方法,其特征在于,向客户端下发训练模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数,包括:
基于同态加密算法对所述训练模型中初始模型的模型参数进行加密,得到加密后的模型参数;
向客户端下发包含所述加密后的模型参数的所述初始模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型训练后的加密模型参数。
6.一种医学影像检测装置,其特征在于,配置于至少一个客户端中,所述装置包括:
训练模块,用于接收服务器下发的训练模型,基于客户端本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
确定模块,用于从所述候选模型参数中确定待上传模型参数集合;
上传模块,用于将所述待上传模型参数集合中的模型参数上传至服务器,以供服务器根据所述待上传模型参数集合中的模型参数进行联盟聚合得到所述训练模型的目标模型参数;
预测模块,用于接收所述服务端下发的目标模型参数,根据所述目标参数对所述训练模型进行训练确定目标训练模型,并基于所述目标训练模型对客户端本地接收的医学影像进行诊断预测。
7.一种医学影像检测装置,其特征在于,配置于服务器中,所述装置包括:
下发模块,用于向客户端下发训练模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型的候选模型参数;所述训练模型包括初始模型、学习率以及优化器;
接收模块,用于接收客户端上传的的待上传参数集合,所述待上传参数集合由所述客户端从所述候选模型参数中确定;
联盟聚合模块,用于根据所述待上传模型参数中模型参数进行联盟聚合得到训练模型的目标模型参数;
所述下发模块还用于向客户端下发包含所述加密后的模型参数的所述初始模型,以供客户端基于本地存储的医学影像数据对所述训练模型进行训练,得到所述训练模型训练后的加密模型参数。
8.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的医学影像检测方法医学影像检测方法。
9.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求4或5所述的医学影像检测方法医学影像检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一所述的医学影像检测方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求4或5所述的医学影像检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462190.4A CN111652863A (zh) | 2020-05-27 | 2020-05-27 | 一种医学影像检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462190.4A CN111652863A (zh) | 2020-05-27 | 2020-05-27 | 一种医学影像检测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652863A true CN111652863A (zh) | 2020-09-11 |
Family
ID=72348405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010462190.4A Pending CN111652863A (zh) | 2020-05-27 | 2020-05-27 | 一种医学影像检测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652863A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036504A (zh) * | 2020-09-15 | 2020-12-04 | 平安国际智慧城市科技股份有限公司 | 温度测量模型的训练方法、装置、设备及存储介质 |
CN112259238A (zh) * | 2020-10-20 | 2021-01-22 | 平安科技(深圳)有限公司 | 电子设备、疾病类型检测方法、装置及介质 |
CN112446040A (zh) * | 2020-11-24 | 2021-03-05 | 平安科技(深圳)有限公司 | 基于选择性梯度更新的联邦建模方法及相关设备 |
CN113239972A (zh) * | 2021-04-19 | 2021-08-10 | 温州医科大学 | 一种面向医学影像的人工智能辅助诊断模型构建系统 |
CN113707289A (zh) * | 2021-07-16 | 2021-11-26 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
WO2022141841A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技(深圳)有限公司 | 联邦学习的过程中模型参数的处理方法、装置及相关设备 |
CN115051816A (zh) * | 2022-08-17 | 2022-09-13 | 北京锘崴信息科技有限公司 | 基于隐私保护的云计算方法、金融数据云计算方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
CN109684855A (zh) * | 2018-12-17 | 2019-04-26 | 电子科技大学 | 一种基于隐私保护技术的联合深度学习训练方法 |
CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
CN110955907A (zh) * | 2019-12-13 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
US20200125739A1 (en) * | 2018-10-19 | 2020-04-23 | International Business Machines Corporation | Distributed learning preserving model security |
-
2020
- 2020-05-27 CN CN202010462190.4A patent/CN111652863A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
US20200125739A1 (en) * | 2018-10-19 | 2020-04-23 | International Business Machines Corporation | Distributed learning preserving model security |
CN109684855A (zh) * | 2018-12-17 | 2019-04-26 | 电子科技大学 | 一种基于隐私保护技术的联合深度学习训练方法 |
CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
CN110955907A (zh) * | 2019-12-13 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036504A (zh) * | 2020-09-15 | 2020-12-04 | 平安国际智慧城市科技股份有限公司 | 温度测量模型的训练方法、装置、设备及存储介质 |
CN112259238A (zh) * | 2020-10-20 | 2021-01-22 | 平安科技(深圳)有限公司 | 电子设备、疾病类型检测方法、装置及介质 |
CN112446040A (zh) * | 2020-11-24 | 2021-03-05 | 平安科技(深圳)有限公司 | 基于选择性梯度更新的联邦建模方法及相关设备 |
WO2022110720A1 (zh) * | 2020-11-24 | 2022-06-02 | 平安科技(深圳)有限公司 | 基于选择性梯度更新的联邦建模方法及相关设备 |
WO2022141841A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技(深圳)有限公司 | 联邦学习的过程中模型参数的处理方法、装置及相关设备 |
CN113239972A (zh) * | 2021-04-19 | 2021-08-10 | 温州医科大学 | 一种面向医学影像的人工智能辅助诊断模型构建系统 |
CN113707289A (zh) * | 2021-07-16 | 2021-11-26 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
CN113707289B (zh) * | 2021-07-16 | 2023-11-10 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
CN115051816A (zh) * | 2022-08-17 | 2022-09-13 | 北京锘崴信息科技有限公司 | 基于隐私保护的云计算方法、金融数据云计算方法及装置 |
CN115051816B (zh) * | 2022-08-17 | 2022-11-08 | 北京锘崴信息科技有限公司 | 基于隐私保护的云计算方法、金融数据云计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652863A (zh) | 一种医学影像检测方法、装置、设备和存储介质 | |
CN113408743B (zh) | 联邦模型的生成方法、装置、电子设备和存储介质 | |
WO2020097182A1 (en) | Privacy-preserving visual recognition via adversarial learning | |
WO2022110720A1 (zh) | 基于选择性梯度更新的联邦建模方法及相关设备 | |
CN110874571A (zh) | 人脸识别模型的训练方法及装置 | |
CN110288705B (zh) | 生成三维模型的方法和装置 | |
CN112733043B (zh) | 评论推荐方法及装置 | |
EP3725084A1 (en) | Deep learning on image frames to generate a summary | |
CN113379042A (zh) | 保护数据隐私的业务预测模型训练方法及装置 | |
CN115270001B (zh) | 基于云端协同学习的隐私保护推荐方法及系统 | |
CN113297175A (zh) | 数据处理方法、装置、系统和可读存储介质 | |
CN114065863A (zh) | 联邦学习的方法、装置、系统、电子设备及存储介质 | |
CN113965313B (zh) | 基于同态加密的模型训练方法、装置、设备以及存储介质 | |
CN108509179B (zh) | 用于检测人脸的方法、用于生成模型的装置 | |
CN114283110A (zh) | 用于医学图像的图像处理方法、装置、设备及存储介质 | |
CN113190872A (zh) | 数据保护方法、网络结构训练方法、装置、介质及设备 | |
CN111957053A (zh) | 游戏玩家匹配方法、装置、存储介质与电子设备 | |
CN116776155A (zh) | 一种基于联邦学习的模型训练方法、装置、设备和介质 | |
CN111383096A (zh) | 欺诈检测及其模型训练方法、装置、电子设备及存储介质 | |
CN115527686A (zh) | 多数据源医学数据分析模型训练方法、装置、设备和介质 | |
CN115346668A (zh) | 健康风险等级评估模型的训练方法及装置 | |
WO2022178975A1 (zh) | 基于噪声场的图像降噪方法、装置、设备及存储介质 | |
CN113961962A (zh) | 一种基于隐私保护的模型训练方法、系统及计算机设备 | |
CN107609645B (zh) | 用于训练卷积神经网络的方法和装置 | |
CN114844889B (zh) | 视频处理模型的更新方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |