CN115588487A - 一种基于联邦学习和生成对抗网络的医学图像数据集制作方法 - Google Patents
一种基于联邦学习和生成对抗网络的医学图像数据集制作方法 Download PDFInfo
- Publication number
- CN115588487A CN115588487A CN202211382847.1A CN202211382847A CN115588487A CN 115588487 A CN115588487 A CN 115588487A CN 202211382847 A CN202211382847 A CN 202211382847A CN 115588487 A CN115588487 A CN 115588487A
- Authority
- CN
- China
- Prior art keywords
- client
- local
- samples
- sample
- clients
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000004220 aggregation Methods 0.000 claims abstract description 19
- 230000002776 aggregation Effects 0.000 claims abstract description 19
- 239000000284 extract Substances 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 56
- 238000009826 distribution Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于联邦学习和生成对抗网络的医学图像数据集制作方法,包括:将生成对抗网络模型中的判别器作为全局模型下发给所有客户端;客户端随机抽取训练样本发送至服务器;服务器将训练样本输入中心生成器生成仿真样本并发送给客户端;客户端利用全局模型对仿真样本和训练样本中的样本进行判别得到判别结果,根据判别结果更新全局模型的参数生成本地模型;并将本地模型以及判别结果上传至服务器;服务器根据所有客户端本地样本的数量计算客户端的聚合权重;并根据样本的判别结果更新中心生成器的参数;服务器根据所有客户端的聚合权重对本地模型进行聚合得到新的全局模型,重复步骤上述步骤利用收敛后的中心生成器生成仿真医学图像数据集。
Description
技术领域
本发明属于联邦学习技术应用领域,具体涉及一种基于联邦学习和生成对抗网络的医学图像数据集制作方法。
背景技术
近年来,随着图像分割、图像分类等机器学习技术的发展,机器学习技术在医学领域得到广泛应用,例如,通过将人工智能与病理诊断的结合即人工智能辅助判读是当前医学领域提升病理诊断效率和准确性的新趋势,人工智能辅助判读的效率在于机器学习的训练,而医学图像数据是该类算法在预测分析过程中的关键元素。然而由于保护患者隐私的要求,医疗机构通常不愿与其它机构共享私有数据。使得一些任务中的训练数据集过少,导致模型训练不充分、过拟合从而导致人工智能辅助判读的效率以及医学图像的预测分析不准确。
目前,针对图像的数据增强主要通过对图像进行一定程度内的随机旋转,平移,缩放,裁剪,填充,左右翻转;或对图像中像素添加噪声扰动,比如高斯白噪声;或使用生成对抗网络模型生成合成图像数据,而通过生成对抗网络模型生成图像数据存在以下技术问题:
问题1:输入图像的特征向量维度过高导致数据处理复杂度高、模型训练效率低、训练时间长导致训练成本高;
问题2:传统生成对抗网络模型只能在本地训练,生成具有本地图像数据特征的仿真图像,无法同时学习多个参与方的多源数据特征,因此生成的图像数据不能反应多个参与方的数据特征;
问题3:在多数据源环境中,局部数据分布可能差异较大,没有衡量各数据源分布的差异性,导致生成的仿真图像集不能反映各数据源的数据分布情况。
发明内容
为了解决背景技术中存在的问题,本发明提供一种基于联邦学习和生成对抗网络的医学图像数据集制作方法,包括:该方法通过改进的分布式生成对抗网络模型学习多源数据分布,模型由服务器上唯一的中心生成器与分布在客户端上的多个判别器组成,每个判别器只根据其本地数据进行训练,并将反馈通过算法聚合后发送给生成器。当模型收敛后使用生成器生成高度仿真的合成数据,达到对数据进行增强的效果。
进一步的,一种基于联邦学习和生成对抗网络的医学图像数据集制作方法,具体包括以下步骤:
S1:服务器获取客户端每个类别的本地样本数量,并将生成对抗网络模型中的判别器作为全局模型下发给所有客户端;客户端对本地样本数据进行特征提取得到本地样本的特征向量;
S2:客户端随机抽取m个本地样本的特征向量作为训练样本集并发送至服务器;
S3:服务器将训练样本集中的训练样本输入生成对抗网络的中心生成器生成仿真样本集;并将仿真样本集发送给客户端;
S4:客户端利用全局模型对仿真样本集和训练样本集中的样本进行判别得到仿真样本集和训练样本集中样本的判别结果,并根据判别结果通过随机梯度上升的方式更新全局模型的参数生成本地模型;并将本地模型以及仿真样本集中样本的判别结果上传至服务器;
S5:服务器根据所有客户端每个类别的本地样本数量计算客户端的聚合权重;并根据仿真样本集中样本的判别结果利用随机梯度下降的方式更新中心生成器的参数;
S6:服务器根据所有客户端的聚合权重对所有客户端上传的本地模型进行聚合得到下一轮迭代训练的全局模型,并将下一轮迭代训练的全局模型下发给所有客户端重复步骤S2-S6直至中心生成器收敛为止,利用收敛后的中心生成器生成仿真医学图像数据集。
本发明至少具有以下有益效果
本发明通过稀疏编码技术解决了输入图像的特征向量维度过高的问题,减小了本地样本的特征维度,降低了数据处理的复杂度,提高了模型的训练效率,减少了训练时间,降低了训练成本;通过将判别器放在客户端本地进行训练可以学习多数据源的本地数据特征,使得分布式生成对抗网络模型能学习多个数据源的数据分布,生成仿真度更高的图像,本发明通过计算客户端的聚合权重衡量了多个客户端本地数据分布的差异性,使得全局模型对不同的数据分布能较好地拟合。
附图说明
图1为本发明的方法流程图;
图2为本发明中本地样本的特征向量提取示意图;
图3为本发明的分布式生成对抗网络架构图;
图4为本发明的本发明本地模型聚合流程图;
图5为本发明实施例中的数据增强应用于图像分割模型示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
生成对抗网络:
生成对抗网络由一个生成网络与一个判别网络组成,通过两个神经网络相互博弈的方式进行学习。生成网络从潜在空间中随机取样作为输入,其输出结果需要尽量模仿训练集中的真实样本;判别网络的输入则为真实样本或生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。
请参阅图1和图3,本发明提供一种基于联邦学习和生成对抗网络的医学图像数据集制作方法,包括:
S1:服务器获取客户端每个类别的本地样本数量;并将生成对抗网络模型中的判别器作为全局模型下发给所有客户端;客户端对本地样本数据进行特征提取得到本地样本的特征向量;所述客户端为各大医疗机构平台;
请参阅图2,所述客户端对本地样本数据进行特征提取得到本地样本的特征向量包括:
S11:利用本地样本数据构造m行n列的样本空间矩阵D(m×n);其中,m*n表示客户端的本地样本数量;所述本地样本为医学图像数据,其中,m和n的值均大于2,N表示样本空间矩阵D的列数,m表示样本样本空间矩阵D的行数;
S12:从样本空间矩阵D中随机挑选k列样本数据作为字典矩阵M(m×k);k为小于n的正整数,所述字典矩阵如表1所示;
表1字典矩阵M
c<sub>11</sub> | ···· | c<sub>1y</sub> | ··· | c<sub>1k</sub> |
··· | ···· | ··· | ··· | ··· |
C<sub>x1</sub> | ···· | C<sub>xy</sub> | ··· | C<sub>xk</sub> |
··· | ··· | ··· | ··· | ··· |
c<sub>m1</sub> | ···· | c<sub>my</sub> | ··· | c<sub>mk</sub> |
其中,Cxy表示字典矩阵M中第x行第y列的本地样本。
S13:创建稀疏编码矩阵a(k×n);其中,所述稀疏编码矩阵a中每一个元素均为0;
S14:根据字典矩阵M和稀疏编码矩阵a利用OMP算法求取样本空间矩阵D中每个本地样本的稀疏编码得到初始稀疏编码矩阵a′;
S15:利用SVD算法更新字典M和初始稀疏编码矩阵a′中的非零编码,重复步骤S14-S15直至收敛,得到客户端每个本地样本的特征向量,当迭代完成后初始稀疏编码矩阵a′中的每一个元素表示一个本地样本的特征向量,本发明采用稀疏编码的方式对本地样本数据进行特征提取,提取到的特征减小了本地样本的特征维度,降低了数据处理的复杂度,提高了模型的训练效率,减少了训练时间,降低了训练成本高。
S2:客户端随机抽取m个本地样本的特征向量作为训练样本集并发送至服务器;
S3:服务器将训练样本集中的训练样本输入生成对抗网络的中心生成器生成仿真样本集;并将仿真样本集发送给客户端;
S4:客户端利用全局模型对仿真样本集和训练样本集中的样本进行判别得到仿真样本集和训练样本集中样本的判别结果,并根据判别结果通过随机梯度上升的方式更新全局模型的参数生成本地模型;并将本地模型以及仿真样本集中样本的判别结果上传至服务器;
优选地,所述根据判别结果通过随机梯度上升的方式更新全局模型的参数包括:
其中,表示第j个客户端的训练样本集中的第i个样本,表示第j个客户端上的全局模型对的判别结果,表示的仿真样本,表示第j个客户端上的全局模型对的判别结果;本发明通过将多个判别器放于各个客户端本地进行训练,使得分布式生成对抗网络模型能同时在多个数据源进行训练,适用于多客户端的联邦学习环境,可以学习多数据源的本地数据特征,生成仿真度更高的图像。
S5:服务器根据所有客户端每个类别的本地样本数量计算客户端的聚合权重;并根据仿真样本集中样本的判别结果利用随机梯度下降的方式更新中心生成器的参数;
优选地,所述客户端的聚合权重的计算步骤具体包括:
S51:服务器根据客户端每个类别本地样本的数量和客户端所有类别本地样本的数量计算得到客户端每个类别本地样本的归一化向量;
S52;服务器根据客户端每个类别本地样本的归一化向量和所有客户端每个类别所有本地样本的归一化向量计算客户端的KL散度;
其中,Pk(x)表示客户端k上第x类本地样本的归一化向量,Q(x)表示所有客户端第x类所有本地样本的归一化向量,χ表示所有本地样本的类别数,DKL表示客户端k的KL散度。
S53:根据客户端的KL散度和所有客户端所有类别本地样本的数量计算客户端的KL分数,并将客户端的KL分数输入softmax函数计算得到客户端的聚合权重。
优选地,所述客户端的KL分数包括:
优选地,所述客户端的聚合权重包括:
其中,表示客户端k的KL分数,N表示所有客户端的数量,表示客户端k的聚合权重;如果某客户端数据分布与全局分布差异较大,则其聚合权重低,它的更新就不如其它客户端的更新“有用”,通过该聚合权重,即可量化客户端数据分布的差异性。
优选地,所述服务器根据仿真样本集中样本的判别结果利用随机梯度下降的方式更新中心生成器的参数包括:
S6:服务器根据所有客户端的聚合权重对所有客户端上传的本地模型进行聚合得到下一轮迭代训练的全局模型,并将下一轮迭代训练的全局模型下发给所有客户端重复步骤S2-S6直至中心生成器收敛为止,利用收敛后的中心生成器生成仿真医学图像数据集。
请参阅图4,优选地,所述服务器根据所有客户端的聚合权重对所有客户端上传的本地模型进行聚合包括:
其中,ωt+1表示下一轮迭代训练的全局模型参数,表示客户端k的聚合权重,表示客户端k本地模型的参数。本发明通过计算客户端的聚合权重,能够衡量多个客户端本地数据分布的差异性,防止了学习分歧情况的产生,使得全局模型对不同的数据分布能较好地拟合。
请参阅图5,通过对仿真医学图像数据集中的样本打上标签信息,将仿真医学图像数据集作为训练样本将输入图像分割网络对图像分割网络训练,所述标签信息包括:仿真医学图像中主体的轮廓,增加参考样本。
通过将仿真医学图像数据集作为训练样本输入基于深度学习的分类模型,通过训练好的分类模型对目标医学图像进行分类预测,辅助医生对病理进行判读,减少判读时间提高诊断效率。
本发明提出了一个联邦学习下的分布式生成对抗网络学习模型,以解决多个医疗机构实体之间的隐私限制问题。通过提出的模型学习和聚合不同医疗机构客户端本地数据的总体分布,而不直接访问本地数据。训练良好的中心生成器可以为训练特定图像任务的模型提供高质量的医学图像,而不需要访问患者的私人数据。并且仅由合成数据训练的分割模型效果不弱于用真实数据训练的模型。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (7)
1.一种基于联邦学习和生成对抗网络的医学图像数据集制作方法,其特征在于,包括:
S1:服务器获取客户端每个类别的本地样本数量,并将生成对抗网络模型中的判别器作为全局模型下发给所有客户端;客户端对本地样本数据进行特征提取得到本地样本的特征向量;
S2:客户端随机抽取m个本地样本的特征向量作为训练样本集并发送至服务器;
S3:服务器将训练样本集中的训练样本输入生成对抗网络的中心生成器生成仿真样本集;并将仿真样本集发送给客户端;
S4:客户端利用全局模型对仿真样本集和训练样本集中的样本进行判别得到仿真样本集和训练样本集中样本的判别结果,并根据判别结果通过随机梯度上升的方式更新全局模型的参数生成本地模型;并将本地模型以及仿真样本集中样本的判别结果上传至服务器;
S5:服务器根据所有客户端每个类别的本地样本数量计算客户端的聚合权重;并根据仿真样本集中样本的判别结果利用随机梯度下降的方式更新中心生成器的参数;
S6:服务器根据所有客户端的聚合权重对所有客户端上传的本地模型进行聚合得到下一轮迭代训练的全局模型,并将下一轮迭代训练的全局模型下发给所有客户端重复步骤S2-S6直至中心生成器收敛为止,利用收敛后的中心生成器生成仿真医学图像数据集。
2.根据权利要求1所述的一种基于联邦学习和生成对抗网络的医学图像数据集制作方法,其特征在于,所述客户端对本地样本数据进行特征提取得到本地样本的特征向量包括:
S11:利用本地样本数据构造m行n列的样本空间矩阵D;
S12:从样本空间矩阵D中随机挑选k列样本数据作为字典矩阵M;
S13:创建稀疏编码矩阵a;所述稀疏编码矩阵a中每一个元素均为0;
S14:根据字典矩阵M和稀疏编码矩阵a利用OMP算法求取样本空间矩阵D中每个本地样本的稀疏编码得到初始稀疏编码矩阵a′;
S15:利用SVD算法更新字典M和初始稀疏编码矩阵a′中的非零编码,重复步骤S14-S15直至收敛,得到客户端每个本地样本的特征向量。
3.根据权利要求1所述的一种基于联邦学习和生成对抗网络的医学图像数据集制作方法,其特征在于,所述客户端的聚合权重的计算步骤具体包括:
S51:服务器根据客户端每个类别本地样本的数量和客户端所有类别本地样本的数量计算得到客户端每个类别本地样本的归一化向量;
S52;服务器根据客户端每个类别本地样本的归一化向量和所有客户端每个类别所有本地样本的归一化向量计算客户端的KL散度;
S53:根据客户端的KL散度和所有客户端所有类别本地样本的数量计算客户端的KL分数,并将客户端的KL分数输入softmax函数计算得到客户端的聚合权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211382847.1A CN115588487B (zh) | 2022-11-07 | 2022-11-07 | 一种基于联邦学习和生成对抗网络的医学图像数据集制作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211382847.1A CN115588487B (zh) | 2022-11-07 | 2022-11-07 | 一种基于联邦学习和生成对抗网络的医学图像数据集制作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115588487A true CN115588487A (zh) | 2023-01-10 |
CN115588487B CN115588487B (zh) | 2024-07-05 |
Family
ID=84781237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211382847.1A Active CN115588487B (zh) | 2022-11-07 | 2022-11-07 | 一种基于联邦学习和生成对抗网络的医学图像数据集制作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115588487B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168789A (zh) * | 2023-04-26 | 2023-05-26 | 之江实验室 | 一种多中心医疗数据生成系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021022752A1 (zh) * | 2019-08-07 | 2021-02-11 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、系统及电子设备 |
CN113793319A (zh) * | 2021-09-13 | 2021-12-14 | 浙江理工大学 | 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统 |
CN115081532A (zh) * | 2022-07-01 | 2022-09-20 | 西安电子科技大学 | 基于记忆重放和差分隐私的联邦持续学习训练方法 |
-
2022
- 2022-11-07 CN CN202211382847.1A patent/CN115588487B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021022752A1 (zh) * | 2019-08-07 | 2021-02-11 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、系统及电子设备 |
CN113793319A (zh) * | 2021-09-13 | 2021-12-14 | 浙江理工大学 | 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统 |
CN115081532A (zh) * | 2022-07-01 | 2022-09-20 | 西安电子科技大学 | 基于记忆重放和差分隐私的联邦持续学习训练方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168789A (zh) * | 2023-04-26 | 2023-05-26 | 之江实验室 | 一种多中心医疗数据生成系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115588487B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Fingerspelling Identification for Chinese Sign Language via AlexNet‐Based Transfer Learning and Adam Optimizer | |
CN110020682B (zh) | 一种基于小样本学习的注意力机制关系对比网络模型方法 | |
Song et al. | Auto-encoder based data clustering | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN109993102A (zh) | 相似人脸检索方法、装置及存储介质 | |
CN112949740B (zh) | 一种基于多级度量的小样本图像分类方法 | |
CN109446414B (zh) | 一种基于神经网络分类的软件信息站点快速标签推荐方法 | |
Baseri Saadi et al. | Investigation of Effectiveness of Shuffled Frog‐Leaping Optimizer in Training a Convolution Neural Network | |
CN113127737B (zh) | 融合注意力机制的个性化搜索方法和搜索系统 | |
CN112905894B (zh) | 一种基于增强图学习的协同过滤推荐方法 | |
CN109086463B (zh) | 一种基于区域卷积神经网络的问答社区标签推荐方法 | |
CN113821668A (zh) | 数据分类识别方法、装置、设备及可读存储介质 | |
CN110136017A (zh) | 一种基于数据增强和非负矩阵稀疏分解的群组发现方法 | |
CN115270752A (zh) | 一种基于多层次对比学习的模板句评估方法 | |
CN115588487B (zh) | 一种基于联邦学习和生成对抗网络的医学图像数据集制作方法 | |
CN113377964A (zh) | 知识图谱链接预测方法、装置、设备及存储介质 | |
CN117036760A (zh) | 一种基于图对比学习的多视图聚类模型实现方法 | |
CN112560948A (zh) | 数据偏差下的眼底图分类方法及成像方法 | |
CN114969078A (zh) | 一种联邦学习的专家研究兴趣实时在线预测更新方法 | |
CN113409157A (zh) | 一种跨社交网络用户对齐方法以及装置 | |
CN117093849A (zh) | 一种基于自动生成模型的数字矩阵特征分析方法 | |
CN108428226B (zh) | 一种基于ica稀疏表示与som的失真图像质量评价方法 | |
Ganebnykh et al. | Metric classifier using multilevel network of templates | |
CN105160358A (zh) | 一种图像分类方法及系统 | |
Jammalamadaka et al. | Functional clustering on a circle using von Mises mixtures |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |