CN116245886B 一种基于联邦学习与注意力机制的医学图像分割方法 （大连理工大学）

一种基于联邦学习与注意力机制的医学图本发明提供一种基于联邦学习与注意力机地服务器基于自有医学图像数据对接收的初始部模型参数进行模型聚合优化生成全局模型；中心服务器将全局模型参数反馈至各本地服务21.一种基于联邦学习与注意力机制的医学图像分割方法，应用于分布式图像处理系统，所述分布式图像处理系统包括中心服务器以及若干个持有不同本地数据的本地服务S1、中心服务器将初始全局模型发送至各所述本地服务器；所述初始全局模型为S3、中心服务器基于各局部模型参数进行模型聚S5、中心服务器将全局模型参数反馈至各本地2.根据权利要求1所述的一种基于联邦学习与注意力机制的医学图像分割方法，其特之间使用卷积核为2*2的最大池化层对上层特征图像所述五层路径的解码器结构，每层路径需要经过上采样操作，然后接3.根据权利要求2所述的一种基于联邦学习与注意力机制的医学图像分割方法，其特为同层编码路径提取的特征图以及前一层解码路径输4.根据权利要求3所述的一种基于联邦学习与注意力机制的医学图像分割方法，其特将同层编码路径提取的特征图以及前一层解码路径输出的特征图作为注意力模块的将所述注意力系数与前一层解码路径输出的特征图进行逐像素相乘得到注意力模块5.根据权利要求1所述的一种基于联邦学习与注意力机制的医学图像分割方法，其特6.根据权利要求4所述的一种基于联邦学习与注意力机制的医学图像分割方法，其特34统，所述分布式图像处理系统包括中心服务器以及若干个持有不同本地数据的本地服务5编码器传送过来的特征图进行信息融合，解码器中的卷积操作与编码器中的卷积操作相模块的输入为同层编码路径提取的特征图以及前一层解码路径输出的[0015]将同层编码路径提取的特征图以及前一层解码路径输出的特征图作为注意力模[0016]将所述注意力系数与前一层解码路径输出的特征图进行逐像素相乘得到注意力[0020]本发明能够在多方联合计算的同时保护各方持有的患者隐私医学图像数据不被U_Net医疗图像分割算法具有更好的医疗图像[0023]图2为本发明一种基于联邦学习与注意力机制的医学图像分割方法模型训练架构6员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范入是解码器输出得到的特征图。在解码器最后阶段使用1x1卷积操作为每一个像素点进行到的特征图，即图1中的交融信息融合操作。在局部模型接收到联邦交融信息层特征图之使用卷积核为2*2的最大池化层对上层特征图像进行降采样，该操作能够让图像的大小收7[0034]本发明在传统U_Net网络中增加并联双路注意力机制模块，其工作原理如图4所[0037]=wjaverage(c,)+b,(3)上进行局部模型训练，训练时每批次数据大小与中心服务器下发的Batchsize大小相同。各参与方模型在本地迭代轮次h次，然后将迭代完成的局部模型clientmodel上传到中心服务器进行聚合。本地clientmodel在解码器阶段使用centerservermodel学习联邦交当前轮次聚合后的centerserver8[0045]具体来说，中心模型在更新centersevermodel之后根据损失函数值和训练轮发明提出的算法能够使用多个用户的数据集样本训练一