基于云边协同的联邦医疗分割训练方法及相关设备与流程

本申请涉及隐私计算以及计算机，具体涉及一种基于云边协同的联邦医疗分割训练方法及相关设备。

背景技术：

1、目前，医疗分割识别是基于本地的数据，训练一个类似unet的医疗分割模型，对医疗电子计算机断层扫描(computed tomography，ct)图像中的目标进行识别。由于本地数据的数据量少，而且数据标注质量不高，因此，通过本地训练这种方法得到的医疗分割模型识别效果往往很差，不能挖掘出数据的潜在价值，由于本地的医疗分割算法只利用本地的数据进行训练，本地数据需要人工进行标注，人工标注的代价成本很高，而且本地数据量少、数据标注质量差难以得到一个较好的医疗分割识别模型，因此，如何提供一种高精度的医疗分割识别模型的问题亟待解决。

技术实现思路

1、本申请实施例提供了一种基于云边协同的联邦医疗分割训练方法及相关设备，可以提供一种高精度的医疗分割识别模型。

2、第一方面，本申请实施例提供一种基于云边协同的联邦医疗分割训练方法，应用于多方计算系统；所述多方计算系统包括云服务器和n个医院边端节点，n为大于1的整数，所述方法包括：

3、通过所述n个医院边端节点中的每一医院边端节点获取各自的医疗分割数据集，并对所述医疗分割数据集进行预处理，得到目标医疗分割数据集，利用所述目标医疗分割数据集训练联邦医疗分割模型，得到训练好的模型参数，并将该训练好的模型参数上传给所述云服务器；

4、通过所述云服务器对所述训练好的模型参数进行安全聚合，得到全局模型参数，将所述全局模型参数发送给所述n个医院边端节点中的每一医院边端节点；

5、通过所述n个医院边端节点中的每一医院边端节点利用所述全局模型参数更新各自的模型参数。

6、第二方面，本申请实施例提供了一种基于云边协同的联邦医疗分割训练装置，

7、应用于多方计算系统；所述多方计算系统包括云服务器和n个医院边端节点，n为大于1的整数，所述装置包括：训练单元、聚合单元和更新单元，其中，

8、所述训练单元，用于通过所述n个医院边端节点中的每一医院边端节点获取各自的医疗分割数据集，并对所述医疗分割数据集进行预处理，得到目标医疗分割数据集，利用所述目标医疗分割数据集训练联邦医疗分割模型，得到训练好的模型参数，并将该训练好的模型参数上传给所述云服务器；

9、所述聚合单元，用于通过所述云服务器对所述训练好的模型参数进行安全聚合，得到全局模型参数，将所述全局模型参数发送给所述n个医院边端节点中的每一医院边端节点；

10、所述更新单元，用于通过所述n个医院边端节点中的每一医院边端节点利用所述全局模型参数更新各自的模型参数。

11、第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面中的步骤的指令。

12、第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。

13、第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。

14、实施本申请实施例，具备如下有益效果：

15、可以看出，本申请实施例中所描述的基于云边协同的联邦医疗分割训练方法及相关设备，应用于多方计算系统；多方计算系统包括云服务器和n个医院边端节点，n为大于1的整数，通过n个医院边端节点中的每一医院边端节点获取各自的医疗分割数据集，并对医疗分割数据集进行预处理，得到目标医疗分割数据集，利用目标医疗分割数据集训练联邦医疗分割模型，得到训练好的模型参数，并将该训练好的模型参数上传给云服务器，通过云服务器对训练好的模型参数进行安全聚合，得到全局模型参数，将全局模型参数发送给n个医院边端节点中的每一医院边端节点，通过n个医院边端节点中的每一医院边端节点利用全局模型参数更新各自的模型参数，可以在不损失联邦学习模型精度和安全性的前提下，在医院内部封闭的异构网络环境下进行联邦学习建模，不仅能够提供一种高精度的医疗分割识别模型，还能够解决不同医院网络异构、数据异构等问题、充分利用、挖掘数据价值、减少人工标注成本，提高模型性能。

技术特征：

1.一种基于云边协同的联邦医疗分割训练方法，其特征在于，应用于多方计算系统；所述多方计算系统包括云服务器和n个医院边端节点，n为大于1的整数，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述医疗分割数据集进行预处理，得到目标医疗分割数据集，包括：

3.根据权利要求1或2所述的方法，其特征在于，所述将该训练好的模型参数上传给所述云服务器，包括：

4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

6.一种基于云边协同的联邦医疗分割训练装置，其特征在于，应用于多方计算系统；所述多方计算系统包括云服务器和n个医院边端节点，n为大于1的整数，所述装置包括：训练单元、聚合单元和更新单元，其中，

7.根据权利要求6所述的装置，其特征在于，在所述对所述医疗分割数据集进行预处理，得到目标医疗分割数据集方面，所述训练单元具体用于：

8.根据权利要求6或7所述的装置，其特征在于，在所述将该训练好的模型参数上传给所述云服务器方面，所述训练单元具体用于：

9.一种电子设备，其特征在于，包括处理器、存储器，所述存储器用于存储一个或多个程序，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-5任一项所述的方法中的步骤的指令。

10.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-5任一项所述的方法。

技术总结
本申请公开了一种基于云边协同的联邦医疗分割训练方法及相关设备，该方法包括：N个医院边端节点中的每一医院边端节点获取各自的医疗分割数据集，并对医疗分割数据集进行预处理，得到目标医疗分割数据集，利用目标医疗分割数据集训练联邦医疗分割模型，得到训练好的模型参数，并将该训练好的模型参数上传给云服务器；通过云服务器对训练好的模型参数进行安全聚合，得到全局模型参数，将全局模型参数发送给N个医院边端节点中的每一医院边端节点；通过N个医院边端节点中的每一医院边端节点利用全局模型参数更新各自的模型参数。本申请实施例能够提供一种高精度的医疗分割识别模型。

技术研发人员：李振飞,黄一珉,王湾湾,何浩,姚明
受保护的技术使用者：深圳市洞见智慧科技有限公司
技术研发日：
技术公布日：2024/1/16