CN116843036A - 面向阿尔兹海默症辅助诊断的个性化联邦学习方法 - Google Patents
面向阿尔兹海默症辅助诊断的个性化联邦学习方法 Download PDFInfo
- Publication number
- CN116843036A CN116843036A CN202310738314.0A CN202310738314A CN116843036A CN 116843036 A CN116843036 A CN 116843036A CN 202310738314 A CN202310738314 A CN 202310738314A CN 116843036 A CN116843036 A CN 116843036A
- Authority
- CN
- China
- Prior art keywords
- model
- federal
- gbdt
- alzheimer
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 9
- 208000010877 cognitive disease Diseases 0.000 claims description 7
- 208000027061 mild cognitive impairment Diseases 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000002610 neuroimaging Methods 0.000 claims description 5
- 210000003625 skull Anatomy 0.000 claims description 5
- 238000005481 NMR spectroscopy Methods 0.000 claims description 4
- 210000001320 hippocampus Anatomy 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000019771 cognition Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 230000010485 coping Effects 0.000 abstract description 3
- 238000002955 isolation Methods 0.000 abstract description 3
- 238000009941 weaving Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 101000831205 Danio rerio Dynein axonemal assembly factor 11 Proteins 0.000 description 2
- 102100024282 Dynein axonemal assembly factor 11 Human genes 0.000 description 2
- 241001559542 Hippocampus hippocampus Species 0.000 description 2
- 101000831210 Homo sapiens Dynein axonemal assembly factor 11 Proteins 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000005821 brain abnormality Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008897 memory decline Effects 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioethics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computer Security & Cryptography (AREA)
- Pathology (AREA)
- Computer Hardware Design (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，其特征在于，包括以下步骤：组成图像数据集并进行预处理，获得用于辅助诊断的数据集，建立联邦GBDT框架进行联邦训练，在利用联邦GBDT框架完成联邦训练后，每个客户端将结果模型GBDT编织到本地深度森林模型。在阿尔兹海默症的辅助诊断方法中，本发明通过联邦学习和深度森林来实现准确的AD分类任务，用于应对医疗保健领域中的隐私挑战，不损害隐私安全。本发明通过计算分散在不同客户之间的高阶信息而不交换他们的隐私数据，克服了信息隔离的问题，并且本发明使分布式客户端能够在不共享其训练数据的情况下协作地训练共享模型。
Description
技术领域
本发明涉及一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，属于计算机图像处理领域。
背景技术
阿尔兹海默症是一种持续性神经功能障碍，常起病于老年或老年前期。该病的发病进程缓慢，会随着时间的推移而不断恶化，并且起病隐匿，增长速度快，与此同时，患者伴随有大脑结构和功能的变化。症状通常表现有记忆缺失、视空间能力损害、抽象思维和计算力损害、人格和行为改变等，这些症状会不可逆转的逐渐恶化，直至彻底丧失生活能力。轻度认知障碍是介于正常状态和阿尔兹海默症之间的中间阶段。该阶段是阿尔兹海默病症状开始初显并且可以通过药物等进行干预治疗的最佳时机，在这个阶段超出半数的患者将会在五年时间当中发展成为痴呆患者。然而，在该阶段病人表现出的轻微记忆力下降等症状可能会被误认为是正常老化所带来的生理表现而被忽视，导致错过最佳的治疗时机。一旦由轻度认知障碍完全发展成阿尔兹海默病，将无有效药物和手段可以延缓和治愈。
由于目前还没有任何药物能够有效治疗阿尔兹海默症，大多数针对该病的治疗都是结合患者所处的病程阶段不同，使用对应的药物对病情的发展进行一定程度的延缓。因此，能够准确的判断出病人所处的病程阶段就显得尤为重要。传统的轻度认知障碍的筛查方法包括神经影像学检查、神经心理测评、生物标志物检查等。但是，这些方法都需要专业医师的介入，时间成本和经济成本较高，甚至部分检查方法对人体有侵入性，客观上导致了大多数阿尔茨海默病患者未能被及早确诊。因此，本发明利用语音特征判断患者的认知状况，有效的降低了轻度认知障碍早期筛查的门槛，具有科学价值、社会价值和经济价值。
迄今为止，神经成像是寻找人类大脑异常的最好的非侵入性技术。深度学习已经彻底改变了图像处理技术，它可以解决图像的着色、分类、分割和检测等难题。例如，一个深度神经系统网络(DNN)是一个多层的堆栈，它允许模型在学习复杂的特征和执行更密集的计算任务方面变得更有效，它超越了经典机器涉及非结构化数据的机器感知任务中的学习范式。深度神经网络虽然取得了很好的性能，但是现有的深度学习方法从零开始训练深度架构具有一定的局限性，存在要求大量带标签的数据、计算复杂度高以及缺少理论解释等问题。基于上述原因，研究人员正在寻找另一种范式，最终深度集成学习得到了关注，如GrowNet、S-DNN、DSN和深度森林，因为它结合了DNN和集成学习的优点，使最终的模型具有更好的泛化性能。然而在医疗保健领域还有另一个挑战，即众所周知的隐私问题。传统的深度学习一般分为两个阶段：从不同的参与方收集数据对数据进行预处理并将数据输入到整体模型进行训练，因此隐私泄露的风险是不可避免的。
因此现有技术需要一种新的图像处理算法来解决隐私泄漏问题，并且需要一种针对阿尔兹海默症辅助诊断的个性化联邦学习方法，来提高阿尔兹海默症早期筛查的准确率。
发明内容
本发明的目的是：提供一种新的图像处理算法来解决现有图像处理技术所面临的隐私泄漏问题，并且提供一种针对阿尔兹海默症辅助诊断的个性化联邦学习方法，来提高阿尔兹海默症早期筛查的准确率。
为了达到上述目的，本发明的技术方案是提供了一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，其特征在于，包括以下步骤：
步骤1、获得受试者的1.5T T1加权结构的核磁共振sMRI影像数据组成图像数据集；
步骤2、对图像数据集进行预处理；
步骤3、基于经过预处理的图像数据集生成用于辅助诊断的数据集，包括以下步骤：
将经过所述预处理单元处理的图像数据集送入3DUnet-CBAM模型中进行训练，由3DUnet-CBAM模型提取海马体部分之后使用IBASPM以神经解剖学的方式标记图像的体素，并进一步自动计算体积，最终生成用于辅助诊断的数据集；
步骤4、建立联邦GBDT框架进行联邦训练：
通过联邦GBDT框架使分布式客户端能够在不共享其利用步骤3生成的本地数据集的情况下协作地训练一个全局模型；该联邦GBDT框架有两个参与者，分别是中央服务器和客户端，其中，每个客户端通过防止任何其他参与方访问其本地的私有数据来保护其安全，客户端的本地模型选择GBDT模型进行局部训练；在每次训练迭代中，中央服务器将GBDT模型广播给每个客户端，然后每个客户端使用其本地数据集训练自己的GBDT模型，并将梯度上传到中央服务器，最后服务器聚集梯度以训练全局模型；
步骤5、在利用联邦GBDT框架完成联邦训练后，每个客户端将结果模型GBDT编织到本地深度森林模型，采用GBDT代替决策树来构建个性化模型，个性化模型将客户机的私有数据作为输入，然后用多粒度扫描提取和处理输入的原始特征以生成特征向量，并进一步发送到级联森林以完成分类任务。
优选地，步骤1中，所获得的数据均来自阿尔兹海默症神经影像学倡议ADNI数据集，选择的是使用快速梯度回波成像技术采集的1.5T T1加权结构的核磁共振sMRI影像数据，并且数据为NIFTI格式。
优选地，所述图像数据集中的所有影像数据分成三类，分别来自认知正常的受试者、阿尔茨海默病患者和轻度认知障碍患者。
优选地，步骤2中，对所述图像数据集进行的预处理包括头骨剥离、校正偏置场、标准化以及裁剪成统一大小。
优选地，在所构建的所述个性化模型中，每个级联级别包含四个GBDT，每个级别输出一个类分布向量，将同一级别的四个向量与多粒度扫描仪的输出连接起来，其结果成为下一级的输入向量，最后分类结果是从最后一级输出的平均类向量的最大值。
在阿尔兹海默症的辅助诊断方法中，本发明通过联邦学习和深度森林来实现准确的AD分类任务，用于应对医疗保健领域中的隐私挑战，不损害隐私安全。本发明通过计算分散在不同客户之间的高阶信息而不交换他们的隐私数据，克服了信息隔离的问题，并且本发明使分布式客户端能够在不共享其训练数据的情况下协作地训练共享模型。
附图说明
图1是本发明所述的面向阿尔兹海默症辅助诊断的个性化联邦深度森林框架总体概览图；
图2是本发明所述的联邦GBDT框架训练过程示意图；
图3是本发明所述的个性化模型结构示意图；
图4是本发明所述的数据集预处理流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明公开了一种基于个性化联邦学习和深度森林的阿尔兹海默症辅助诊断方法，该方法使用到的模型架构如图1所示(图1展示了本发明的整体框架，该框架旨在通过联邦学习和深度森林来实现准确的AD分类任务，而不损害隐私安全。本发明通过计算分散在不同客户之间的高阶信息而不交换他们的隐私数据，克服了信息隔离的问题)，包括如下步骤：
步骤1：获得受试者的图像数据集。在图像数据集的选择上，本发明所使用的数据均来自阿尔兹海默症神经影像学倡议ADNI数据集，选择的是使用快速梯度回波成像技术(MPRAGE)采集的1.5T T1加权结构的核磁共振sMRI影像数据，并且数据为NIFTI格式。图像数据集中的所有影像数据可以分成三类，分别来自认知正常的受试者、阿尔茨海默病患者和轻度认知障碍患者。
步骤2、对步骤1收集的受试者的图像数据集进行预处理，共包括四个部分，分别是头骨剥离、校正偏置场、标准化以及裁剪成统一大小，对图像数据集中的作为训练数据和测试数据的核磁共振sMRI影像均采用上述四个部分进行预处理，整体流程如图4所示。
本实施例中，步骤2具体包括以下步骤：
步骤201：将受试者的头骨剥离，这是由于头骨距离海马体的位置相对较远，含有海马体无关紧要的体素信息。
步骤202：使用SimpleITK软件包中的N4BiasFieldCorrection进行校正偏置域，这是为了解决受试者在扫描过程中可能会由于扫描的位置、扫描本身等因素可能导致的亮度差异，如果未经校正的话，会使MRI机器的磁场分布不均匀。
步骤203：将经过步骤101以及步骤102处理的图像配准到标准脑模板空间MNI上，来统一所有图像的坐标空间。
步骤204：将sMRI影像统一裁剪成196×271×181大小。
步骤3：预处理结束后，将图像数据集送入3DUnet-CBAM模型中进行训练，该3DUnet-CBAM模型能够使得海马体的边界区域也能被关注到，从而进一步提高海马体的分割精度。提取海马体部分之后使用IBASPM以神经解剖学的方式标记图像的体素，并进一步自动计算体积，最终生成用于辅助诊断的数据集，该数据集作为步骤4和步骤5的各客户端设备本地数据用于模型训练和预测。
在阿尔兹海默症的辅助诊断方法中，本发明通过采用联邦学习作为基础框架，用于应对医疗保健领域中的隐私挑战。它使分布式客户端能够在不共享其训练数据的情况下协作地训练共享模型。具体来说，模型参数由每个客户端设备在本地计算，并与中央服务器交换，中央服务器为全局视图聚合本地模型。值得注意的是，本发明使用深度森林模型提供个性化服务，使得模型更加适配于各客户端。前述方法具体通过以下步骤实现：
步骤4：构建一个联邦GBDT框架，用于使分布式客户端能够在不共享其本地训练数据的情况下协作地训练一个全局模型。该联邦GBDT框架有两个参与者：中央服务器和客户端，每个客户端通过防止任何其他参与方访问其本地的私有数据来保护其安全，客户端的本地模型选择GBDT模型进行局部训练。在每次训练迭代中，中央服务器将GBDT模型广播给每个客户端。然后每个客户端使用其本地数据训练自己的GBDT模型，并将梯度上传到中央服务器，最后服务器聚集梯度以训练全局模型。
本发明的客户端选择了GBDT模型进行局部训练。如图2所示，对于联邦训练的每次迭代，每个客户端首先对本地GBDT模型进行初始化，然后将私有数据反馈给GBDT模型。在GBDT模型中，每个决策树都是通过拟合前一棵决策树的负梯度而构建的，因此，完整的GBDT模型是由决策树链构成的。当客户端完成本地训练时，它会计算出损失函数的一阶和二阶梯度统计量。随之这两个梯度被上传到服务器上进行聚合。最终中央服务器收集所有客户端的反馈并更新全局GBDT模型，随后服务器将继续向每个客户端广播聚合梯度。因此在下一轮迭代中，这些梯度将成为新的本地GBDT模型的构件。重复上述过程，直到全局模型收敛并且得到令人满意的联邦学习结果。
梯度提升决策树(GBDT)是训练决策树序列的集成模型。形式上，给定一个损失函数和一个具有n个样本和d个特征的数据集/> 模型使用K加法函数来预测输出/>可由下式求得：
在其中：是回归树的空间，ωq(x)表示叶子节点q的分数，f(x)表示其中一棵树，q代表每棵树的结构，将一个例子映射到相应的叶子索引，q:/>T是树中的叶子数量，ω表示叶子权重，/>ωi代表第i个叶子上的分数；Xi表示第i个样本；/>表示迭代后的预测结果；fk(Xi)表示第k棵树模型。对于一个给定的样本，我们将使用树中的决策规则(由q给定)将其分类到叶子中，并通过加总相应叶子中的分数(由ω给定)来计算最终的预测结果。
为了学习模型中使用的函数集，需要最小化以下正则目标如下式所示：
其中：l(·)是一个可微调的凸损失函数，衡量预测值和目标值Yi之间的差异；是惩罚模型复杂性的正则化项，这里的γ和λ是超参数。以相加的方式来训练模型，GBDT在第t次迭代时最小化下面的目标函数/>
式中：和/>是关于损失函数的一阶和二阶梯度统计量，/>表示第t-1次迭代后的损失函数一阶导；ft(xi)表示第t棵树模型。
步骤5：构建个性化模型，提高隐私-准确性的权衡并平衡不同参与方之间的利益。如图3所示，个性化模型将客户机的私有数据作为输入，然后用多粒度扫描提取和处理输入的原始特征以生成特征向量，并进一步发送到级联森林以完成分类任务。gcForest中的原始级联森林是由决策树的多层次集成来定义的，在理论上它可以被任何其他可以输出类分布向量的分类器所替代，因此因此本发明采用GBDT代替决策树来构建个性化模型。详细说明：每个级联级别包含四个GBDT，每个级别输出一个类分布向量。随后将同一级别的四个向量与多粒度扫描仪的输出连接起来，其结果成为下一级的输入向量。最后分类结果是从最后一级输出的平均类向量的最大值。在步骤4的联邦训练完成后，每个客户端将结果模型GBDT编织到本地深度森林模型，即gcForest之中，旨在训练个性化模型，并进一步提供更准确的AD诊断。至此，本发明成功构建了面向阿尔兹海默症辅助诊断的个性化联邦学习模型。
Claims (5)
1.一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，其特征在于，包括以下步骤：
步骤1、获得受试者的1.5T T1加权结构的核磁共振sMRI影像数据组成图像数据集；
步骤2、对图像数据集进行预处理；
步骤3、基于经过预处理的图像数据集生成用于辅助诊断的数据集，包括以下步骤：
将经过所述预处理单元处理的图像数据集送入3DUnet-CBAM模型中进行训练，由3DUnet-CBAM模型提取海马体部分之后使用IBASPM以神经解剖学的方式标记图像的体素，并进一步自动计算体积，最终生成用于辅助诊断的数据集；
步骤4、建立联邦GBDT框架进行联邦训练：
通过联邦GBDT框架使分布式客户端能够在不共享其利用步骤3生成的本地数据集的情况下协作地训练一个全局模型；该联邦GBDT框架有两个参与者，分别是中央服务器和客户端，其中，每个客户端通过防止任何其他参与方访问其本地的私有数据来保护其安全，客户端的本地模型选择GBDT模型进行局部训练；在每次训练迭代中，中央服务器将GBDT模型广播给每个客户端，然后每个客户端使用其本地数据集训练自己的GBDT模型，并将梯度上传到中央服务器，最后服务器聚集梯度以训练全局模型；
步骤5、在利用联邦GBDT框架完成联邦训练后，每个客户端将结果模型GBDT编织到本地深度森林模型，采用GBDT代替决策树来构建个性化模型，个性化模型将客户机的私有数据作为输入，然后用多粒度扫描提取和处理输入的原始特征以生成特征向量，并进一步发送到级联森林以完成分类任务。
2.如权利要求1所述的一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，其特征在于，步骤1中，所获得的数据均来自阿尔兹海默症神经影像学倡议ADNI数据集，选择的是使用快速梯度回波成像技术采集的1.5T T1加权结构的核磁共振sMRI影像数据，并且数据为NIFTI格式。
3.如权利要求1所述的一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，其特征在于，所述图像数据集中的所有影像数据分成三类，分别来自认知正常的受试者、阿尔茨海默病患者和轻度认知障碍患者。
4.如权利要求1所述的一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，其特征在于，步骤2中，对所述图像数据集进行的预处理包括头骨剥离、校正偏置场、标准化以及裁剪成统一大小。
5.如权利要求1所述的一种面向阿尔兹海默症辅助诊断的个性化联邦学习方法，其特征在于，在所构建的所述个性化模型中，每个级联级别包含四个GBDT，每个级别输出一个类分布向量，将同一级别的四个向量与多粒度扫描仪的输出连接起来，其结果成为下一级的输入向量，最后分类结果是从最后一级输出的平均类向量的最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310738314.0A CN116843036A (zh) | 2023-06-20 | 2023-06-20 | 面向阿尔兹海默症辅助诊断的个性化联邦学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310738314.0A CN116843036A (zh) | 2023-06-20 | 2023-06-20 | 面向阿尔兹海默症辅助诊断的个性化联邦学习方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116843036A true CN116843036A (zh) | 2023-10-03 |
Family
ID=88171839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310738314.0A Pending CN116843036A (zh) | 2023-06-20 | 2023-06-20 | 面向阿尔兹海默症辅助诊断的个性化联邦学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116843036A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117288692A (zh) * | 2023-11-23 | 2023-12-26 | 四川轻化工大学 | 一种酿酒粮食中单宁含量的检测方法 |
-
2023
- 2023-06-20 CN CN202310738314.0A patent/CN116843036A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117288692A (zh) * | 2023-11-23 | 2023-12-26 | 四川轻化工大学 | 一种酿酒粮食中单宁含量的检测方法 |
| CN117288692B (zh) * | 2023-11-23 | 2024-04-02 | 四川轻化工大学 | 一种酿酒粮食中单宁含量的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | Shallow 3D CNN for detecting acute brain hemorrhage from medical imaging sensors | |
| CN111009324B (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 | |
| Shen et al. | Decision supporting model for one-year conversion probability from MCI to AD using CNN and SVM | |
| Bhanumathi et al. | CNN based training and classification of MRI brain images | |
| CN109087298B (zh) | 一种阿尔兹海默病mri图像分类方法 | |
| Wang et al. | Sensorineural hearing loss identification via nine-layer convolutional neural network with batch normalization and dropout | |
| Venkataramani et al. | Towards continuous domain adaptation for medical imaging | |
| Liang et al. | Alzheimer’s disease classification using 2d convolutional neural networks | |
| CN116843036A (zh) | 面向阿尔兹海默症辅助诊断的个性化联邦学习方法 | |
| CN112700876A (zh) | 一种包含高阶信息的脑功能网络构建方法 | |
| CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
| CN114266729A (zh) | 一种基于机器学习的胸部肿瘤放疗后放射性肺炎预测方法和系统 | |
| Jeevakala et al. | Artificial intelligence in detection and segmentation of internal auditory canal and its nerves using deep learning techniques | |
| CN110033448B (zh) | 一种aga临床图像的ai辅助雄秃汉密尔顿分级预测分析方法 | |
| Saraswathi et al. | Brain tumor segmentation and classification using self organizing map | |
| Bolhassani et al. | Semi-supervised segmentation of multi-vendor and multi-center cardiac MRI | |
| Palaniswamy et al. | Internet of Things and Deep Learning Enabled Diabetic Retinopathy Diagnosis Using Retinal Fundus Images | |
| Kumar et al. | Medical image classification and manifold disease identification through convolutional neural networks: a research perspective | |
| Dong et al. | Supervised learning-based retinal vascular segmentation by m-unet full convolutional neural network | |
| Sengan et al. | Echocardiographic image segmentation for diagnosing fetal cardiac rhabdomyoma during pregnancy using deep learning | |
| CN116863221A (zh) | 一种基于cnn与注意力机制的阿尔兹海默症分类方法 | |
| CN115810122A (zh) | 基于spect/ct检测甲状腺相关眼病活动性的深度学习方法 | |
| Chitradevi et al. | Analysis of Alzheimer disease using optimization techniques | |
| Wei et al. | Application of U-net with variable fractional order gradient descent method in rectal tumor segmentation | |
| Hsu et al. | A comprehensive study of age-related macular degeneration 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 |