基于横向联邦学习的医疗图像分类方法研究

作     者：罗丹妮 

作者单位：大连理工大学 

学位级别：硕士

导师姓名：郭艳卿

授予年度：2022年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：医疗图像分类 横向联邦学习 隐私保护 数据非独立同分布 

摘      要：医疗图像是辅助医生诊断的工具,已经广泛应用于现代医学诊疗之中。随着人工智能时代的到来,基于深度学习的肿瘤识别、病灶区域分割等技术不断涌现。而这些深度学习模型的建立,需要大量的数据及对其清晰准确的标注。但是在实际生活中,不同于普通图像数据,医疗图像数据具有以下的特点:医疗图像的处理与标注专业性强,且对准确性要求高,因此资源匮乏且不易获取;数据中包含极其敏感的隐私信息,受到法律法规的保护,因此各医疗机构之间存在“数据孤岛效应;各医疗机构由于受各自属性及地域环境的影响,因此数据分布差异极大。以上问题给医疗深度学习模型的建立带来了巨大的挑战。因此,为了解决上述问题,本文针对医疗图像分类任务提出了一种基于横向联邦学习的医疗图像分类方法,使得各医疗机构可以在保护患者数据隐私的前提下,共同构建一个性能更高的医疗图像分类模型。具体的研究内容如下:首先,针对医疗图像训练数据不足和隐私保护的问题,本文引入联邦学习,并且在联邦平均算法(Federated Averaging Algorithm,Fed Avg)框架下加入了Paillier同态加密技术去进一步保护模型参数安全。然后在整体框架下构建了Res Net50和VGG16模型去完成医疗图像分类任务。实验表明,在四个公开的医疗图像数据集上,使用本文方法得到的模型准确率比每个医疗机构单独训练得到的模型提升了3%-8%,这说明此方法具有提高准确率和隐私保护的双重优势。其次,针对各医疗机构数据非独立同分布导致的模型准确率下降的问题,本文通过对上一章模型中的本地训练方式和损失函数进行优化和改进,提出了个性化横向联邦医疗图像分类模型(Personalized Horizontal Federated Learning,PHFL)。实验表明,在四个数据集非独立同分布(N.I.I.D)时,本文方法(PHFL)的平均准确率比Fed Avg提升了4%-9%,同时也优于联邦学习中其它的解决数据非独立同分布的方法Fed Per和Fed Prox。综上所述,本文提出的基于横向联邦学习的医疗图像分类方法能够打破目前构建医疗图像分类模型遇到的瓶颈,在保护数据隐私的前提下联合众多医疗机构共同构建一个性能更好的模型。该方法可以提高分类准确率,帮助医生提升诊疗效率。若能落地到实际应用中,有望在一定程度上缓解当前基层医院中图像诊断医师人才紧缺带来的看病难问题,最终满足群众就近、便捷、经济、高效看病就医的服务需求。