一种多中心脑影像或图像的联邦检测模型训练方法及系统

本发明涉及脑影像以及图像的数据处理，具体涉及一种多中心脑影像或图像的联邦检测模型训练方法及系统。

背景技术：

1、磁共振成像、脑电图、正电子发射断层扫描等脑成像技术可以从不同角度描绘大脑的功能活动或结构形态，捕捉大脑活动的时序和空间模式，因此被广泛应用于神经科学研究、脑机接口、意识状态评估以及临床诊断等领域。例如，功能磁共振技术可以安全无创地测量和记录大脑的激活状态，从功能磁共振影像中提取的全脑功能连接能够反映不同脑区生理活动的时序相关性，可作为功能连接模式的异常检测的凭据。然而，由于采集成本较高、精确标注困难、数据量较大等因素，单个医疗影像中心难以实现大规模脑影像的获取、储存和计算处理。近年来，深度学习等先进方法在脑影像的模式识别和分类检测等领域展现出强大潜力，然而深度学习模型的高精度识别能力往往依赖于大量标注准确的训练数据。由于单个医疗影像中心难以实现大规模脑影像的获取、储存和计算处理，单个中心脑影像样本数量少的问题会降低深度学习模型的稳定性和准确性。而且，脑影像数据包含被试的年龄、诊断情况等个人隐私信息，多个中心之间的数据共享面临隐私泄露的巨大风险，并且受到数据安全法规条令的限制，因而多个中心的原始数据无法直接聚合以提升模型性能。此外，公开数据集提供了数千例正常被试的高质量脑影像，将这些正常数据与各中心少量的私有数据相结合能够扩增训练数据，但是会造成样本不平衡的问题。同时，不同中心其数据的采集方式、特征分布均有所不同，这样的域差异问题会进一步增加模型训练的复杂性。此外，其他普通图像的联邦检测模型训练时，同样也会存在类似问题。综上所述，在保护隐私的条件下，如何充分利用多个私有中心的少量已标注数据和公开数据集中的大量正常对照数据来实现高精度的脑影像异常检测分析已经成为亟待解决的问题。

技术实现思路

1、本发明要解决的技术问题：针对现有技术的上述问题，提供一种多中心脑影像或图像的联邦检测模型训练方法及系统，本发明旨在实现确保保护隐私的条件下，充分利用多个联邦参与中心的本地目标域的少量已标注的样本数据和公共源域中的大量正常对照的样本数据来实现高精度的检测模型训练。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、一种多中心脑影像或图像的联邦检测模型训练方法，包括：

4、s101，在联邦参与中心本地建立检测模型，且不同联邦参与中心建立的检测模型相同；

5、s102，联邦参与中心利用本地目标域和公共源域的脑影像或图像的样本数据训练一轮检测模型；

6、s103，联邦参与中心将检测模型的网络参数加噪后上传至指定的中央计算服务器；

7、s104，联邦参与中心接收中央计算服务器将所有联邦参与中心上传的加噪后的网络参数平均处理后得到的新的网络参数，并使用新的网络参数更新本地的检测模型；

8、s105，联邦参与中心判断是否需要继续训练检测模型，若仍需训练检测模型，则跳转步骤s102；否则，更新后的检测模型即为训练好的联邦检测模型，结束并退出。

9、可选地，步骤s103中将检测模型的网络参数加噪的函数表达式为：

10、，

11、上式中，为加噪后的网络参数，为网络参数，为加入的高斯噪声，为高斯噪声的方差。

12、可选地，步骤s102中联邦参与中心利用本地目标域和公共源域中脑影像或图像的样本数据训练一轮检测模型具体为联邦参与中心利用脑影像的样本数据训练一轮检测模型，包括：

13、s201，采集本地目标域和公共源域中的脑影像样本；

14、s202，对采集脑影像样本进行预处理；

15、s203，对预处理后脑影像样本进行降维提取特征向量；

16、s204，利用特征向量及其对应的类型标签构建训练数据集并对检测模型完成一轮训练。

17、可选地，步骤s202中的预处理包括依次进行将最前的指定数量个图像帧剔除、层间时间校正、头动校正、基于epi模板进行空间标准化、空间平滑、线性趋势去除与时域滤波以及无关变量回归；且所述进行将最前的指定数量个图像帧剔除之前，还包括对采集的脑影像进行数据筛除、时间空间校准、噪声滤除、数据平滑中的部分或全部。

18、可选地，步骤s203中的提取特征向量是指按照预设的脑图谱计算脑影像的功能连接矩阵，包括：按照预设的脑图谱将脑影像样本划分脑区，计算每对脑区的平均时间序列之间的pearson相关系数，借助fisher变换将pearson相关系数转换为z分数，接着由z分数构成的矩阵进行z标准化，最终将z标准化后的矩阵的上三角形元素向量化，从而得到脑影像的功能连接矩阵。

19、可选地，所述检测模型包括：

20、编码器，用于对输入样本的特征向量提取编码特征，且输入样本包括来自本地目标域和公共源域的脑影像样本；

21、残差校正模块，用于本地目标域的脑影像样本将的编码特征进行残差校正以补偿本地目标域和公共源域之间的跨域分布差异；

22、域分类器，用于将残差校正模块得到特征与正常特征中心c之间的平方距离作为检测得到异常分数输出以实现对脑影像的异常检测，所述正常特征中心c是指本地目标域和公共源域的正常样本进行编码器得到的编码特征的特征均值。

23、可选地，步骤s204中利用特征向量及其对应的类型标签构建训练数据集并对检测模型完成一轮训练时，采用的损失函数的函数表达式为：

24、，

25、上式中，表示编码器和残差校正模块组合形成的网络模块，为脑影像样本数量，为编码器基于和网络参数得到的结果，为公共源域的第个脑影像样本，为正常特征中心，为公共源域的第个脑影像样本的标签，为正常样本和异常样本的数量，为编码器和残差校正模块组合形成的网络模块基于网络参数和得到的结果，为本地目标域的第个脑影像样本，为本地目标域的第个脑影像样本的标签，为正则化系数；为检测模型的网络参数，为检测模型的第个网络参数，为检测模型网络参数总数量；为权重系数，为熵判据，为域分类器基于的得到的结果，为编码器和残差校正模块组合形成的网络模块基于得到的结果，为对应的异常分数相反数的 softmax激活值；为域分类器基于的得到的结果，其中为编码器和残差校正模块组合形成的网络模块基于得到的结果，为对应的异常分数相反数的 softmax激活值，为点乘，为域分类器；所述熵判据的计算函数表达式为：

26、，

27、上式中，表示变量g的熵判据。

28、此外，本发明还提供一种多中心脑影像或图像的联邦检测模型训练系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述多中心脑影像或图像的联邦检测模型训练方法。

29、此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序/指令，该计算机程序/指令被编程或配置以通过处理器执行所述多中心脑影像或图像的联邦检测模型训练方法。

30、此外，本发明还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被编程或配置以通过处理器执行所述多中心脑影像或图像的联邦检测模型训练方法。

31、和现有技术相比，本发明主要具有与下述优点：本发明方法包括联邦参与中心利用本地目标域和公共源域中脑影像或图像的样本数据训练一轮检测模型，将检测模型的网络参数加噪后上传至指定的中央计算服务器，接收中央计算服务器将所有联邦参与中心上传的加噪后的网络参数平均处理后得到的新的网络参数并更新本地的检测模型，若仍需训练检测模型，则继续迭代训练；否则结束并退出。本发明旨在实现确保保护隐私的条件下，充分利用多个联邦参与中心的本地目标域的少量已标注的样本数据和公共源域中的大量正常对照的样本数据来实现高精度的检测模型训练。