CN113792864A - 一种基于区块链的神经网络多端融合训练方法 - Google Patents

一种基于区块链的神经网络多端融合训练方法 Download PDF

Info

Publication number
CN113792864A
CN113792864A CN202111138488.0A CN202111138488A CN113792864A CN 113792864 A CN113792864 A CN 113792864A CN 202111138488 A CN202111138488 A CN 202111138488A CN 113792864 A CN113792864 A CN 113792864A
Authority
CN
China
Prior art keywords
hospital
hospitals
network
fusion
accuracy
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.)
Granted
Application number
CN202111138488.0A
Other languages
English (en)
Other versions
CN113792864B (zh
Inventor
高俊领
马二建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Manlang Shanghai Medical Management Co ltd
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202111138488.0A priority Critical patent/CN113792864B/zh
Publication of CN113792864A publication Critical patent/CN113792864A/zh
Application granted granted Critical
Publication of CN113792864B publication Critical patent/CN113792864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及人工智能和区块链领域，具体涉及一种基于区块链的神经网络多端融合训练方法。包括共享各医院的网络及其准确率，使最高准确率对应的医院产生新区块并连接在区块链上，奖励该医院；各医院重新训练区块链中的网络，迭代上述操作得到多组融合区块；得到每组融合区块的准确率变化序列并对各医院进行分类，获取网络的融合策略；求出新的网络参数，重复奖励医院的步骤；保持网络融合策略不变生成融合区块，迭代以上步骤直至网络收敛。本发明将各医院的网络参数进行融合后重新训练,根据融合后的网络中各医院的表征能力及不同医院之间的特征差异，获得网络融合策略。通过不断改变融合策略，得到能准确提取所有医院数据特征的网络。

Description

一种基于区块链的神经网络多端融合训练方法
技术领域
本发明涉及人工智能及区块链领域，具体涉及一种基于区块链的神经网络多端融合训练方法。
背景技术
随着医疗技术与人工智能技术的发展，各医院纷纷利用先进的医疗设备来诊断疾病，将病人的病情以图像数据的方式可视化出来，辅助医师更加快速准确的诊断出病情和确定治疗方案。最常用的技术是利用DNN网络分割医疗图像数据，获得图像上器官的病灶区域，或者利用DNN网络对医疗图像分类。由于不同医院的医疗图像数据涉及到病人隐私问题，不能共享，再加上医疗图像数据标注困难，需要专业人员进行标注，导致各医院可用于神经网络训练的数据集规模不会太大，使得各医院训练的网络不能都具有较高的准确率。
为了充分利用各医院的数据集，获得一个准确的网络，需要将各医院训练的网络的参数进行融合，正如联邦学习的思想一样，但是由于各医院数据的数据不能共享，导致不能在训练网络之前对训练集的进行数据筛选和数据清洗，导致不同医院的医疗图像数据的特征分布不一致，有的医院的医疗数据可能更多的描述一些特征，另一个医院的医疗图像数据更多的描述另外一些其他的特征。除此之外，不同医院的数据标注标准和能力，以及数据的规模不一致，都会影响神经网络的参数的融合结果的准确性。
发明内容
本发明提供一种基于区块链的神经网络多端融合训练方法，以解决现有的医疗信息无法共享，且各医院之间数据规模不一致的问题。
本发明的基于区块链的神经网络多端融合训练方法采用如下技术方案：
步骤一：获取各医院带标签的医疗图像数据进行训练得到各医院的DNN网络，计算各医院DNN网络在测试集上的准确率，获取准确率最高的DNN网络对应的医院产生一个新区块，将该医院的DNN网络存储在新区块中并将新区块链接在区块链上；
步骤二：各医院利用最新区块存储的DNN网络，计算各医院的测试集在该DNN网络上的准确率
Figure 100002_DEST_PATH_IMAGE002
，得到所有医院的准确率集合S1；
各医院根据最新区块存储的DNN网络的参数重新训练网络，利用重新训练的DNN网络计算各医院在测试集上的新准确率
Figure 100002_DEST_PATH_IMAGE004
，得到所有医院的准确率集合S2；
对所有医院重新训练的DNN网络参数求均值，将该均值作为新参数得到一个新DNN网络，提取S2中准确率最高的DNN网络对应的医院产生一个区块，将新DNN网络与S1中的准确率存储在该医院产生的区块中，将该区块作为最新区块进行迭代，所述区块为融合区块；
步骤三：将产生的融合区块按产生次序排列，得到各医院在融合区块上的准确率变化序列，对各医院的准确率变化序列进行均值滤波，根据滤波结果计算各医院的表征能力与医院之间的特征差异，利用各医院的表征能力及医院之间的特征差异对医院进行分类，并确定DNN网络的融合策略；
步骤四：保持DNN网络的融合策略不变，利用被选择的医院训练的DNN网络生成一组新的融合区块，确定DNN网络是否收敛；
若DNN网络收敛，则确定该融合策略为最终的融合方法，若DNN网络未收敛，改变DNN网络的融合策略直至网络收敛。
得到准确率的方法，是将医院所有带标签的医疗图像数据作为数据集，其中80%作为训练集，20%作为测试集,利用训练集训练出DNN网络的参数，并计算出各医院的DNN网络在其测试集上的准确率。
各医院的表征能力的计算方法如下：
Figure 100002_DEST_PATH_IMAGE006
式中：
Figure 100002_DEST_PATH_IMAGE008
为该医院的表征能力；
Figure 100002_DEST_PATH_IMAGE010
为准确率变化序列的长度，即融合区块的数量；
Figure 100002_DEST_PATH_IMAGE012
对应区块链上的一个区块；
Figure 100002_DEST_PATH_IMAGE014
为准确率变化序列的均值滤波结果。
医院之间的特征差异的计算方法如下：
Figure 100002_DEST_PATH_IMAGE016
式中：
Figure 100002_DEST_PATH_IMAGE018
为医院1与医院2之间的特征差异；
Figure 100002_DEST_PATH_IMAGE020
表示医院2的准确率变化序列的波动序列；
Figure 100002_DEST_PATH_IMAGE022
表示医院1的准确率变化序列的波动序列；
Figure 100002_DEST_PATH_IMAGE024
表示波动序列的长度；
其中波动序列的计算公式如下：
Figure 100002_DEST_PATH_IMAGE026
式中：
Figure 100002_DEST_PATH_IMAGE028
表示各医院的波动序列；
Figure 100002_DEST_PATH_IMAGE030
为各医院的准确率变化序列。
医院之间的边权值的计算方法如下：
Figure 100002_DEST_PATH_IMAGE032
式中：
Figure 100002_DEST_PATH_IMAGE034
为医院1的表征能力；
Figure 100002_DEST_PATH_IMAGE036
为医院2的表征能力；
Figure 329434DEST_PATH_IMAGE018
为医院1与医院2之间的边权值。
确定DNN网络的融合策略的过程如下：
以各医院为节点，计算医院之间的边权值，得到一个图结构数据，对图结构数据上的节点分类，对每个类别中的所有医院，计算出各医院被选择的概率提取符合条件的医院。
计算各医院被选择的概率的方法如下：
对于分类后包含医院数量最多的类别s，该类别中所有医院被选择概率都为1.0；
除包含医院数量最多的类别的其他类别中，各医院被选择的概率为：
Figure 100002_DEST_PATH_IMAGE038
式中：
Figure 100002_DEST_PATH_IMAGE040
为该医院被选择的概率；
Figure 100002_DEST_PATH_IMAGE042
表示类别s中所有医院之间边权值中的最大边权值；
Figure 100002_DEST_PATH_IMAGE044
为医院n与类别s中所有医院的边权值中的最小边权值。
所述融合策略不变即为各医院被选择的概率不变。
本发明的有益效果是：本发明的目的是将各医院训练的网络的参数进行融合后在进行训练,并根据融合后的网络在各医院的训练集上的表征能力以及在不同医院训练集上提取到的特征的差异，获得网络的融合策略。然后通过不断的改变融合策略，最终获得能够准确提取出所有医院数据特征的网络。
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作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种流程结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明的一种基于区块链的神经网络多端融合训练方法的实施例，如图1所示。
以下具体展开描述：
步骤一：各医院训练各自的神经网络，并存储在区块链上。
1.对各医院构建一个语义分割网络，本实施例中所有医院使用现有的U-net网络。将医院所有带标签的医疗图像数据作为数据集，数据集中80%作为训练集，20%作为测试集；利用训练集训练出语义分割网络的参数，并计算出各医院训练出的语义分割网络在各医院测试集上的准确率。本实施例后续用DNN网络（Deep Neural Networks，深度神经网络，简称神经网络）来指代这个语义分割网络。
2.将各医院训练出DNN网络的参数以及计算出的每个DNN网络在测试集上的准确率共享出去，然后获取准确率最大的DNN网络对应的医院，使该医院产生新区块，并且将该医院训练的DNN网络存储进这个新的区块中，将该区块连接在区块链上，并给予该医院奖励。
3.将根据DNN网络的准确率大小来决定哪个医院产生的区块可以被连接在区块链上的过程视为一个共识机制，并且通过给予奖励激励医院训练出准确率更高的DNN网络；医院可以通过标注更多更全面的数据集，或者这对数据进行筛选清洗来保证数据分布合理，以此来提高训练的DNN网络的准确率。
步骤二、各医院重新训练区块链上存储的DNN网络，并将各医院训练的DNN网络参数进行融合后存储在区块链上，迭代该步骤得到多组融合区块。
1.读取区块链上最新的区块上存储的一个DNN网络，各医院利用自己的测试集计算这个DNN网络的准确率
Figure 558159DEST_PATH_IMAGE002
，将所有医院获得的多个准确率
Figure 400213DEST_PATH_IMAGE002
记为集合S1。然后各医院利用自己的训练集在这个DNN网络的原有参数的基础上重新训练DNN网络，使得DNN网络再次收敛，各医院计算出重新训练后DNN网络在医院a的测试集上的准确率
Figure 857739DEST_PATH_IMAGE004
，获得所有医院的准确率a2，记为集合S2。
2.各医院将重新训练之前的DNN网络在测试集上的准确率
Figure 734428DEST_PATH_IMAGE002
以及重新训练后的DNN网络在测试集上的准确率
Figure 760153DEST_PATH_IMAGE004
，以及各医院重新训练后的DNN网络的参数共享给其他医院。
3.获取S2中的准确率的最大值对应的DNN网络对应的医院a产生一个新区块，对所有医院共享的DNN网络的参数求均值，然后以该均值作为一个DNN网络新的参数，这个DNN网络就是所有医院的DNN网络融合后的DNN网络，然后将这个DNN网络以及S1中的准确率存储在医院a产生的新区块中，并将这个新区块连接在区块链上，这个新的区块称为融合区块。
4.不断迭代步骤二产生新的融合区块，区块上存储的DNN网络不断的融合着所有医院的数据特征。将新产生的K（本实施例中K=30）个融合区块看作一组融合区块，当产生K各融合区块后，按照步骤二所述去产生下一组融合区块。
步骤三、根据区块链上存储的DNN网络，获取DNN网络在各医院的训练集上的表征能力以及在不同医院训练集上提取到的特征的差异，获得DNN网络融合策略。
1.假设新产生K个融合区块后，下一个融合区块是应该由医院a生成（具体判断由哪个医院产生的见步骤一.3的共识机制），那么医院a获取区块链上的前K个融合区块上存储的各医院的准确率，即这前K个融合区块中，每个融合区块都存储一个步骤二所述的S1（这里获得的S1表示的是DNN网络被融合后、被重新训练之前在所有医院测试集上的准确率的集合），根据这一组融合区块产生的先后顺序，各医院在该组融合区块上存储的这些准确率构成一个准确率变化序列，假设其中的任意一个医院b的准确变化序列为
Figure DEST_PATH_IMAGE046
，K表示序列的长度，
Figure DEST_PATH_IMAGE048
表示序列中的第
Figure 10874DEST_PATH_IMAGE024
个元素值，其中
Figure 272091DEST_PATH_IMAGE024
对应区块链上的一个区块。序列中的每个元素表示每次融合后的DNN网络在医院b的测试集上的准确率,用于表征融合后的DNN网络是否学习到医院b的训练集数据特征。
2.对于其中一个医院b的准确率变化序列
Figure DEST_PATH_IMAGE050
，对该序列进行均值滤波，滤波结果为
Figure DEST_PATH_IMAGE052
，
Figure 800025DEST_PATH_IMAGE052
与
Figure 590126DEST_PATH_IMAGE050
等长，令
Figure DEST_PATH_IMAGE054
表示融合后的DNN网络对医院b的表征能力。
Figure DEST_PATH_IMAGE056
越大说明DNN网络经过不断的融合之后对医院b的训练集具有将较强的表征能力。
3.假设医院c的准确率变化序列为
Figure DEST_PATH_IMAGE058
，令
Figure DEST_PATH_IMAGE060
表征融合后的DNN网络对医院b和医院c的训练集上所提取的特征准确率的差异，简称为医院b和医院c的特征差异，具体计算方法为：
首先对
Figure 339863DEST_PATH_IMAGE058
分别进行均值滤波，获得等长度的序列
Figure DEST_PATH_IMAGE062
；然后获取波动序列
Figure DEST_PATH_IMAGE064
,以及波动序列
Figure DEST_PATH_IMAGE066
。（
Figure DEST_PATH_IMAGE068
表示两个序列相减，其结果是序列中对应元素相减，两个序列相减的结果仍是一个等长度的序列）。
Figure DEST_PATH_IMAGE070
和
Figure DEST_PATH_IMAGE072
表示准确率变化序列为
Figure 309830DEST_PATH_IMAGE050
和
Figure 895533DEST_PATH_IMAGE058
中每个元素相比平均值的波动变化序列。那么医院b和医院c的特征差异
Figure DEST_PATH_IMAGE074
Figure DEST_PATH_IMAGE076
表示
Figure 184431DEST_PATH_IMAGE072
中的第
Figure 488374DEST_PATH_IMAGE024
个元素，表示
Figure 91393DEST_PATH_IMAGE058
上的第
Figure 938127DEST_PATH_IMAGE024
个元素与平均值的差异。
Figure DEST_PATH_IMAGE078
表示
Figure 194665DEST_PATH_IMAGE058
上的第
Figure 126849DEST_PATH_IMAGE024
个元素的与均值的差异与
Figure 267980DEST_PATH_IMAGE050
上的第
Figure 93853DEST_PATH_IMAGE024
个元素的与均值的差异的差值的绝对值。
Figure 927817DEST_PATH_IMAGE060
越大，说明序列
Figure 206352DEST_PATH_IMAGE058
与
Figure 151174DEST_PATH_IMAGE050
中元素的变化趋势刚好相反，例如
Figure 831554DEST_PATH_IMAGE058
的元素变大时，
Figure 836419DEST_PATH_IMAGE058
的元素变小；或者
Figure 71091DEST_PATH_IMAGE058
的元素变小时，
Figure 819605DEST_PATH_IMAGE058
的元素变大。
接下来根据融合DNN对各医院的训练集的表征能力，以及医院与医院的特征差异，对医院进行分类，并获取DNN网络的融合策略。
1.以各医院为节点，任意两个医院b、c的边权值为
Figure DEST_PATH_IMAGE080
，即如果DNN网络对两个医院的表征能力差别大，且两个医院的特征差异大，那么这两个医院的边权值就大，至此获取一个图结构数据，利用谱聚类算法对这个图结构数据上的节点进行分类，可以获得多个类别。同一个类别中的医院表示融合的DNN网络无法同时提取这些医院的训练集的特征，因此需要改变DNN网络的融合方法。
2.改变DNN网络的融合方法如下所述：
当新产生K个融合区块后，医院A（即集合中准确率最大的网络对应的医院）需要再产生一个新区块时，首先A获取到所有医院共享的DNN网络，然后医院A获得了多个类别，每个类别都是医院的集合。之前医院A融合DNN网络的做法是对所有医院的DNN网络参数取均值进行融合，但是这种融合方法会使得融合的DNN网络无法同时提取这些类别中的医院的训练集的特征，因此医院A不能再对所有的医院的DNN网络取均值，而是要以一定概率选择出一些合适的医院，然后在对这些医院的DNN网络取均值。
3.各医院被选择的概率计算方法如下：
对于这些类别中包含医院数量最多的类别s，s中各医院被选择的概率为1.0，原因是DNN网络无法同时提取医院数量较多的s类别中的这些医院的训练集的特征，因此需要将这些医院的DNN网络进行融合，使得融合后的DNN网络更多包含s中医院的DNN网络的特征信息，使得融合后的DNN网络被重新训练后变得能够同时提取这些医院的训练集的特征。
4.对于s之外的其他医院中的任意一个医院n被选择的概率为
Figure DEST_PATH_IMAGE082
,
Figure DEST_PATH_IMAGE084
表示s中所有医院之间的边权值中最大的边权值，该值越小说明越需要再融合进一些其他医院的DNN网络。
Figure DEST_PATH_IMAGE086
表示医院n与类别s中所有医院的边权值中最小的边权值，该值越大表示DNN网络除了不能同时提取s中的医院的训练集的特征之外，也不太能同时提取到医院n的训练集的特征，因此
Figure 682387DEST_PATH_IMAGE086
越大越需要以较大的概率选择医院n，将医院n训练的DNN网络融合进去。
4.至此，医院A在获得类别s后也获得了各医院的被选择概率，然后以这个概率去选择各医院，有的医院会被选择到，有的不会被选择到，获取选择到的这些医院的DNN网络，并计算这些DNN网络参数的均值，然后医院A将该均值作为一个DNN网络的参数。至此医院A根据一个类别s融合出一个DNN网络，并生成一个新区块，最终医院A将融合后的DNN网络存储在新区块中，除此之外，还需像步骤一一样将准确率集合S1存储进区块中，并将该区块连接在区块链上，给予该医院奖励。根据各医院的被选择概率选择医院并且获得融合DNN网络的过程就是DNN网络的融合策略，如果各医院的被选择概率保持不变，那么就认为DNN网络的融合策略不变，如果各医院的被选择概率发生变化，那么就认为DNN网络的融合策略发生改变。
步骤四、保持DNN网络的融合策略不变，利用融合策略中被选择的医院和步骤二中产生融合区块的方法生成一组新的融合区块，直至网络收敛。
1.保持DNN网络的融合策略保持不变，再生成K个新的融合区块，再生成K个融合区块之后,迭代本实施例的步骤三的过程，直至DNN网络收敛。在这个过程中不断的根据DNN网络能否同时提取多个医院之间的特征来改变DNN网络的融合策略，使得DNN网络学习到正确的特征、避免各医院数据的分布差异和不均衡以及数据异常所引起的DNN网络准确率低的问题。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于区块链的神经网络多端融合训练方法，其特征在于：包括以下步骤：
步骤一：获取各医院带标签的医疗图像数据进行训练得到各医院的DNN网络，计算各医院DNN网络在测试集上的准确率，获取准确率最高的DNN网络对应的医院产生一个新区块，将该医院的DNN网络存储在新区块中并将新区块链接在区块链上；
步骤二：各医院利用最新区块存储的DNN网络，计算各医院的测试集在该DNN网络上的准确率
Figure DEST_PATH_IMAGE002
，得到所有医院的准确率集合S1；
各医院根据最新区块存储的DNN网络的参数重新训练网络，利用重新训练的DNN网络计算各医院在测试集上的新准确率
Figure DEST_PATH_IMAGE004
，得到所有医院的准确率集合S2；
对所有医院重新训练的DNN网络参数求均值，将该均值作为新参数得到一个新DNN网络，提取S2中准确率最高的DNN网络对应的医院产生一个区块，将新DNN网络与S1中的准确率存储在该医院产生的区块中，将该区块作为最新区块进行迭代，所述区块为融合区块；
步骤三：将产生的融合区块按产生次序排列，得到各医院在融合区块上的准确率变化序列，对各医院的准确率变化序列进行均值滤波，根据滤波结果计算各医院的表征能力与医院之间的特征差异，利用各医院的表征能力及医院之间的特征差异对医院进行分类，并确定DNN网络的融合策略；
步骤四：保持DNN网络的融合策略不变，利用融合策略中被选择的医院和步骤二中产生融合区块的方法生成一组新的融合区块，确定DNN网络是否收敛；
若DNN网络收敛，则确定该融合策略为最终的融合方法，若DNN网络未收敛，改变DNN网络的融合策略直至网络收敛。
2.根据权利要求1所述的一种基于区块链的神经网络多端融合训练方法，其特征在于：所述得到准确率的方法，是将医院所有带标签的医疗图像数据作为数据集，其中80%作为训练集，20%作为测试集,利用训练集训练出DNN网络的参数，并计算出各医院的DNN网络在其测试集上的准确率。
3.根据权利要求1所述的一种基于区块链的神经网络多端融合训练方法，其特征在于：所述各医院的表征能力的计算方法如下：
Figure DEST_PATH_IMAGE006
式中：
Figure DEST_PATH_IMAGE008
为该医院的表征能力；
Figure DEST_PATH_IMAGE010
为准确率变化序列的长度，即融合区块的数量；
Figure DEST_PATH_IMAGE012
对应区块链上的一个区块；
Figure DEST_PATH_IMAGE014
为准确率变化序列的均值滤波结果。
4.根据权利要求1所述的一种基于区块链的神经网络多端融合训练方法，其特征在于：所述医院之间的特征差异的计算方法如下：
Figure DEST_PATH_IMAGE016
式中：
Figure DEST_PATH_IMAGE018
为医院1与医院2之间的特征差异；
Figure DEST_PATH_IMAGE020
表示医院2的准确率变化序列的波动序列；
Figure DEST_PATH_IMAGE022
表示医院1的准确率变化序列的波动序列；
Figure DEST_PATH_IMAGE024
表示波动序列的长度；
其中波动序列的计算公式如下：
Figure DEST_PATH_IMAGE026
式中：
Figure DEST_PATH_IMAGE028
表示各医院的波动序列；
Figure DEST_PATH_IMAGE030
为各医院的准确率变化序列。
5.根据权利要求1所述的一种基于区块链的神经网络多端融合训练方法，其特征在于：所述医院之间的边权值的计算方法如下：
Figure DEST_PATH_IMAGE032
式中：
Figure DEST_PATH_IMAGE034
为医院1的表征能力；
Figure DEST_PATH_IMAGE036
为医院2的表征能力；
Figure 913250DEST_PATH_IMAGE018
为医院1与医院2之间的边权值。
6.根据权利要求1所述的一种基于区块链的神经网络多端融合训练方法，其特征在于：所述确定DNN网络的融合策略的过程如下：
以各医院为节点，计算医院之间的边权值，得到一个图结构数据，对图结构数据上的节点分类，对每个类别中的所有医院，计算出各医院被选择的概率，提取符合条件的医院。
7.根据权利要求6所述的一种基于区块链的神经网络多端融合训练方法，其特征在于：所述计算各医院被选择的概率的方法如下：
对于分类后包含医院数量最多的类别s，该类别中所有医院被选择概率都为1.0；
除包含医院数量最多的类别的其他类别中，各医院被选择的概率为：
Figure DEST_PATH_IMAGE038
式中：
Figure DEST_PATH_IMAGE040
为该医院被选择的概率；
Figure DEST_PATH_IMAGE042
表示类别s中所有医院之间边权值中的最大边权值；
Figure DEST_PATH_IMAGE044
为医院n与类别s中所有医院的边权值中的最小边权值。
8.根据权利要求1所述的一种基于区块链的神经网络多端融合训练方法，其特征在于：所述融合策略不变即为各医院被选择的概率不变。
CN202111138488.0A 2021-09-27 2021-09-27 一种基于区块链的神经网络多端融合训练方法 Active CN113792864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111138488.0A CN113792864B (zh) 2021-09-27 2021-09-27 一种基于区块链的神经网络多端融合训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111138488.0A CN113792864B (zh) 2021-09-27 2021-09-27 一种基于区块链的神经网络多端融合训练方法

Publications (2)

Publication Number Publication Date
CN113792864A true CN113792864A (zh) 2021-12-14
CN113792864B CN113792864B (zh) 2024-08-23

Family

ID=78877276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111138488.0A Active CN113792864B (zh) 2021-09-27 2021-09-27 一种基于区块链的神经网络多端融合训练方法

Country Status (1)

Country Link
CN (1) CN113792864B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109710691A (zh) * 2018-12-20 2019-05-03 清华大学 一种基于深度学习的混合区块链模型构建方法
CN111462867A (zh) * 2020-04-05 2020-07-28 武汉诶唉智能科技有限公司 基于5g网络和区块链的智能移动医疗方法及系统
US10963786B1 (en) * 2019-05-07 2021-03-30 Ledgerdomain Inc. Establishing a trained machine learning classifier in a blockchain network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109710691A (zh) * 2018-12-20 2019-05-03 清华大学 一种基于深度学习的混合区块链模型构建方法
US10963786B1 (en) * 2019-05-07 2021-03-30 Ledgerdomain Inc. Establishing a trained machine learning classifier in a blockchain network
CN111462867A (zh) * 2020-04-05 2020-07-28 武汉诶唉智能科技有限公司 基于5g网络和区块链的智能移动医疗方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUI YANG ETC: ""Intelligent Optical Network with AI and Blockchain"", 《2019 18TH INTERNATIONAL CONFERENCE ON OPTICAL COMMUNICATIONS AND NETWORKS (ICOCN)》 *
丁浩轩;郭芳郁;: "神经网络算法在区块链中应用", 信息与电脑(理论版), no. 11 *
丁浩轩;郭芳郁;: "神经网络算法在区块链中应用", 信息与电脑(理论版), no. 11, 15 June 2019 (2019-06-15) *

Also Published As

Publication number Publication date
CN113792864B (zh) 2024-08-23

Similar Documents

Publication Publication Date Title
Singh et al. Prediction of heart diseases using associative classification
Kramer et al. Network inference with confidence from multivariate time series
CN108968951A (zh) 心电图检测方法、装置及系统
CN113255728A (zh) 一种基于图嵌入和多模态脑网络的抑郁症分类方法
CN111563533A (zh) 基于图卷积神经网络融合多种人脑图谱的受试者分类方法
CN110378394A (zh) 基于神经网络的多生理数据融合分析方法
CN114898879A (zh) 一种基于图表示学习的慢病风险预测方法
CN109727238A (zh) X光胸片的识别方法及装置
Hussain et al. UT-Net: Combining U-Net and Transformer for Joint Optic Disc and Cup Segmentation and Glaucoma Detection
CN114742564A (zh) 一种融合复杂关系的虚假评论者群体检测方法
Ruz et al. Predicting facial biotypes using continuous Bayesian network classifiers
CN114334162A (zh) 疾病患者智能预后预测方法、装置、存储介质及设备
JP7365747B1 (ja) 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム
CN113421250A (zh) 一种基于无病变影像训练的眼底疾病智能诊断方法
CN113792864A (zh) 一种基于区块链的神经网络多端融合训练方法
CN112183751A (zh) 神经网络模型预测置信度校准方法、系统及存储介质
Buscema et al. A novel adapting mapping method for emergent properties discovery in data bases: experience in medical field
CN114913984A (zh) 基于区块链的神经网络联邦学习方法与系统
CN112560784B (zh) 一种基于动态多尺度卷积神经网络的心电图分类方法
Cho et al. A double layer dementia diagnosis system using machine learning techniques
CN111631683B (zh) 心电数据或脑电数据的处理及检测方法、存储介质
CN113851218A (zh) 一种基于影像信息的结核病治疗方案匹配方法及系统
CN113963806A (zh) 一种新冠肺炎筛查方法及筛查系统
CN114730638A (zh) 跨医疗数据源的网络表示学习算法
Elwin et al. Entropy Weighted and Kernalized Power K-Means Clustering Based Lesion Segmentation and Optimized Deep Learning for Diabetic Retinopathy Detection

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230907

Address after: Room 1917, Block C, Yindu Building, 126 Xinfa Road, Nanguan District, Changchun City, 130000 Jilin Province

Applicant after: Jilin Chenyi Technology Co.,Ltd.

Address before: No. 2803, unit 2, building 3, Shuian guanjingge, Jiudu road and Dingding Road, Laocheng District, Luoyang City, Henan Province, 471000

Applicant before: Gao Junling

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240802

Address after: Room 1809A, No. 555 Loushanguan Road, Changning District, Shanghai 200050

Applicant after: Manlang (Shanghai) Medical Management Co.,Ltd.

Country or region after: China

Address before: Room 1917, Block C, Yindu Building, 126 Xinfa Road, Nanguan District, Changchun City, 130000 Jilin Province

Applicant before: Jilin Chenyi Technology Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant