基于自适应融合与注意力的联邦乳腺癌图像分类分级方法

本发明涉及深度学习与医疗病理图像技术处理领域，具体地，涉及一种基于自适应融合与注意力的联邦乳腺癌图像分类分级方法。

背景技术：

1、乳腺癌是一种侵袭性肿瘤，常见于乳腺组织，是全球女性癌症死亡的主要原因。随着筛查方法和早期诊断的进步，乳腺癌的生存率有所提高。影像学筛查和病理活检是常用的诊断手段，而病理评估由于在癌症类型、亚型和分期鉴定方面的卓越潜力，已成为黄金标准。

2、目前，乳腺癌诊断通常需要诊断医生依据个人的诊断经验通过观察显微镜下的切片图像进行诊断，这一过程既耗时又繁琐，并且由于不同医生的经验不同，其诊断结果具有主观性，可能会导致误诊。而乳腺癌最佳治疗方案取决于明确的诊断癌症类型以及分期，准确识别乳腺癌亚类有助于及早采用治疗技术来控制肿瘤细胞的转移。

3、当前，医疗机构已积累了大量的乳腺病理图像、文本报告和结构化记录等不同类型医疗数据，大多以传统的关系型数据库模式存储在本地数据库中。由于医疗数据隐私保护的要求，医疗机构之间无法直接共享这些宝贵的医疗数据，从而限制了这些海量异构数据在临床辅助诊断、疾病预测和疾病研究等方面的应用，难以发挥出应有的治疗辅助作用，不利于乳腺癌的发现、诊断和治疗。

技术实现思路

1、本发明的目的是提供一种基于自适应融合与注意力的联邦乳腺癌图像分类分级方法，该方法分类和分级更加准确，解决了全局模型泛化性能差的问题，实现了更精确的全局联邦模型、医联体间协作以及安全的医疗数据共享。

2、为了实现上述目的，本发明提供了一种基于自适应融合与注意力的联邦乳腺癌图像分类分级方法，该方法包括：

3、s1、通过跨医联体的多源病理图像索引目录获取各参与医联体成员病理乳腺癌图像数据；

4、s2、将得到的医联体的病理乳腺癌图像数据输入训练好的乳腺癌分类分级模型中，获取乳腺癌分类分级模型输出的结果作为分类分级结果；其中，乳腺癌分类分级模型为引入了通道注意力机制的模型，并基于跨医联体自适应融合的联邦学习框架进行训练。

5、优选地，乳腺癌病理图像分类分级模型的训练步骤包括：

6、s001、由中心服务器发送初始全局模型参数至各医联体客户端，所述模型用于进行乳腺癌图像分类分级；

7、s002、各医联体将收到的全局参数与本地参数θ进行自适应融合操作，生成自适应融合参数和融合权重，利用融合后的模型参数θt更新为本地模型参数，首次

8、s003、各医联体利用本地乳腺癌数据对和融合的模型参数进行第t轮本地模型进行分类分级训练，采用梯度下降法更新本地模型参数；

9、s004、各医联体将更新的本地模型权重参数上传至联邦中心服务器；

10、s005、所述中心服务器按照客户端权重进行加权平均，执行全局聚合，形成全局模型模型参数

11、s006、中心服务器将第t轮聚合模型参数下发至各医联体客户端；

12、s007、重复步骤s002至s006，执行t+1轮联合训练，直到各个医联体满足迭代次数或模型收敛时保存最优模型参数，此时联合训练结束；其中，t∈(0,t)。

13、优选地，s2中引入通道注意力的resetnet50se深度学习模型包含依次连接的resblk0、resblk1、resblk2、resblk3以及resblk4，所述resblk1、resblk2、resblk3以及resblk4均是深度残差网络结构；其中，

14、resblk1由1个conv block(co_bk)和2个identity block(id_bk)组成，其中，id_bk表示输入和输出通道数相同的bottleneck，co_bk表示输入和输出通道数不同的bottleneck；

15、resblk2包含1个co_bk和3个id_bk；

16、resblk3包含1个co_bk和5个id_bk；

17、resblk4包含1个co_bk和2个id_bk，每个co_bk残差块和id_bk残差块均嵌入1个se通道注意力模块。

18、优选地，深度学习模型中通道注意力计算过程包括：

19、设uc为经过co_bk或id_bk残差块中最后一次卷积得到特征图，即c个大小h×w的特征图；

20、首先，对uc通过fsq函数通道压缩计算后得到压缩向量zc：

21、

22、其次，通过fex函数计算获取通道权重，得到代表不同深浅程度的颜色的特征向量sc：

23、sc＝fex(z,w)＝σ(g(z,w))＝σ(w2δ(w1,z)

24、最后，经过fscale函数计算将原特征图uc与sc进行通道合并：

25、xc＝fscale(uc,sc)＝ucsc

26、至此实现提取乳腺癌数据通道中关键特征。

27、优选地，医联体客户端自适应融合权重的过程包括：

28、首先，进行本地权重的更新，规则基于梯度下降的思想，即通过最小化损失函数来更新权重，具体更新规则为：

29、wt+1＝clamp(wt-η*△wloss(θt,θg),0,1)

30、其中,wt+1下一时刻的权重，wt是当前时刻的权重，η是学习率，△wloss(θt,θg)是损失函数相对于权重的梯度，θt表示临时本地模型的参数，θg表示全局模型的参数；

31、其次，通过权重学习将得到的权重应用于临时本地模型的高层参数更新，从而实现自适应参数融合过程，即：

32、θt＝θ+(θg-θ)*w

33、其中，θt是临时本地模型的参数，θ是本地模型的高层参数，θg是全局模型的高层参数，w是学习到的权重。

34、根据上述技术方案，本发明对resnet50深度学习模型进行改进，使得模型更加聚焦于乳腺癌的关键区域和特征，同时使用自适应融合的联邦学习框架将不同医联体病理数据进行联合训练，提高了乳腺癌分类分级准确率，实现了跨医疗机构的安全共享。

35、本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

技术特征：

1.一种基于自适应融合与注意力的联邦乳腺癌图像分类分级方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于自适应融合与注意力的联邦乳腺癌图像分类分级方法，其特征在于，乳腺癌病理图像分类分级模型的训练步骤包括：

3.根据权利要求1所述的基于自适应融合与注意力的联邦乳腺癌图像分类分级方法，其特征在于，s2中引入通道注意力的resetnet50se深度学习模型包含依次连接的resblk0、resblk1、resblk2、resblk3以及resblk4，所述resblk1、resblk2、resblk3以及resblk4均是深度残差网络结构；其中，

4.根据权利要求3所述的基于自适应融合与注意力的联邦乳腺癌图像分类分级方法，其特征在于，深度学习模型中通道注意力计算过程包括：

5.根据权利要求1所述的基于自适应融合与注意力的联邦乳腺癌图像分类分级方法，其特征在于，医联体客户端自适应融合权重的过程包括：

技术总结
本发明公开了基于自适应融合与注意力的联邦乳腺癌图像分类分级方法，所述方法包括：S1、通过跨医联体的多源病理图像索引目录获取各参与医联体成员病理乳腺癌图像数据；S2、将得到的医联体的病理乳腺癌图像数据输入训练好的乳腺癌分类分级模型中，获取乳腺癌分类分级模型输出的结果作为分类分级结果；其中，乳腺癌分类分级模型为引入了通道注意力机制的模型，并基于跨医联体自适应融合的联邦学习框架进行训练。该方法分类和分级更加准确，解决了全局模型泛化性能差的问题，实现了更精确的全局联邦模型、医联体间协作以及安全的医疗数据共享。

技术研发人员：黄伟,陈付龙,谢冬,王涛春,接标,丁阳,方健平,童心悦
受保护的技术使用者：安徽师范大学
技术研发日：
技术公布日：2024/8/13