一种基于联邦学习的肛肠疾病影像协同诊断方法

摘要: 本发明涉及医学影像智能分析,具体为一种基于联邦学习的肛肠疾病影像协同诊断方法。背景技术:1、肛肠疾病主要包括痔疮、肛裂、肛瘘、肛周脓肿、直肠息肉、炎症及肛管癌、...
一种基于联邦学习的肛肠疾病影像协同诊断方法

本发明涉及医学影像智能分析,具体为一种基于联邦学习的肛肠疾病影像协同诊断方法。

背景技术:

1、肛肠疾病主要包括痔疮、肛裂、肛瘘、肛周脓肿、直肠息肉、炎症及肛管癌、直肠癌等疾病,其临床诊断通常依赖肛门镜、直肠镜、结肠镜和超声内镜等设备采集的影像。随着医学影像数据量不断增加,采用深度学习模型对影像中的病灶进行检测、分类和风险评估,已成为提高肛肠疾病诊断效率的重要技术手段。

2、现有肛肠疾病影像辅助诊断方法通常采用单中心训练或集中式训练方式。单中心训练将医院内部影像用于本地模型训练,受样本数量、疾病类别覆盖范围及设备类型限制,模型对少见病灶和其他医院影像的识别能力不足;集中式训练则需要将不同医院的原始影像汇集至统一服务器,容易受到患者隐私保护、数据安全及医疗数据跨机构传输要求的限制,难以充分利用分散于不同医院的影像数据。

3、但是,不同医院使用的检查设备、光照条件、图像分辨率、采集流程、患者人群及标注习惯存在差异,导致影像数据呈非独立同分布;同时,肛管癌疑似病变、复杂肛瘘和非典型肛周脓肿等少数类或高风险病灶样本较少,容易在模型训练过程中受到多数类样本的过度影响。现有方法对图像模糊、反光、遮挡及视野不足等质量缺陷考虑不足,通常仅输出疾病类别和预测概率,缺少对模型分歧、影像分布差异及病灶完整性的综合不确定性评价,也难以形成与医生复核结果相结合的持续优化闭环。因此,需要一种能够在原始影像和患者信息不离开医院的条件下,实现多中心协同训练、医院个性化适配、少数类病灶增强学习及诊断风险分层的方法,由此,提出本技术。

技术实现思路

1、本发明的目的在于提供一种基于联邦学习的肛肠疾病影像协同诊断方法,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:一种基于联邦学习的肛肠疾病影像协同诊断方法,所述方法包括:各医院在本地对肛肠疾病影像进行质量评估、病灶检测和特征提取,利用共享病灶表征模块和医院私有适配模块进行本地训练;对各医院经隐私保护的共享模型更新进行联邦聚合;各医院利用聚合后的共享模型和本地保存的医院私有适配模块,对待诊断影像进行本地分析,输出诊断辅助结果,并根据不确定性确定人工复核等级。

3、更进一步地,各医院分别部署医院本地节点,对接入的医学影像仪器采集的影像及其元数据进行脱敏、格式统一、重复数据清除、异常数据筛查及病灶标注,并按照患者维度划分训练集、验证集和独立测试集,使同一患者的全部影像仅归入其中一个数据集。

4、更进一步地,所述质量评估包括对图像清晰度、曝光正常度、视野完整度、病灶区域可辨识度以及反光和遮挡程度进行分析,将影像划分为质量合格、轻度缺陷、质量受限和质量不合格;对轻度缺陷影像进行局部处理,对质量受限影像提高不确定性和复核等级,对质量不合格影像拒绝输出确定性诊断结果。

5、更进一步地,所述病灶检测和特征提取包括检测病灶候选区域,获得病灶候选框、病灶轮廓、病灶位置、病灶面积及病灶局部图像,并提取包含颜色、纹理、形态、边界、异常血管、面积、长宽比和病灶间空间关系中的至少一种的病灶级特征;当存在多个病灶时,分别输出各病灶的类别概率和风险等级,并根据最高风险病灶或多个病灶的组合结果形成病例级风险等级。

6、更进一步地,所述共享病灶表征模块用于学习不同医院之间共有的病灶形态、纹理、边界、异常血管及空间结构特征;所述医院私有适配模块用于适配本医院的设备、光照、图像分辨率、患者人群及标注习惯造成的影像分布差异;所述共享病灶表征模块的参数参与联邦聚合,所述医院私有适配模块的参数仅在所属医院本地训练和保存。

7、更进一步地,各医院根据本地病灶级特征生成对应疾病类别的病灶原型,并利用本地同类别病灶特征和/或经安全聚合形成的全局同类别原型构造正样本,利用与当前病灶不共享疾病类别标签的其他病灶特征和/或其他疾病类别的全局原型构造负样本,进行使同类别病灶特征相互接近且不同类别病灶特征相互分离的病灶级对比学习。

8、更进一步地,针对少数类、高风险类及难例病灶,提高其采样概率或损失权重;各医院不上传原始病灶影像和患者级特征,仅将经过统计汇总、裁剪、扰动和加密封装的类别原型、类别数量、难例统计、不确定性统计和/或共享模型更新作为安全聚合输入;当一疾病类别的有效病灶数量低于预设的隐私保护最小样本数量阈值时,不将该疾病类别的病灶原型作为独立的安全聚合输入。

9、更进一步地,各医院对共享模型更新依次进行模型更新裁剪、差分隐私扰动和加密封装,联邦协调服务器通过安全聚合获得联合模型更新,并根据各医院经隐私保护的有效样本数量、疾病类别覆盖情况、少数类贡献、难例贡献、图像质量分布、本地验证性能和训练稳定性中的至少一种确定聚合权重,以更新共享病灶表征模块。

10、更进一步地,所述不确定性根据模型成员预测差异、图像质量、待诊断影像与训练数据之间的分布差异以及病灶面积、遮挡或特征完整性确定;根据综合不确定性、疾病类别概率、图像质量等级和病灶风险确定常规查看、优先复核或必须复核的人工复核等级,并在不满足确定性输出条件时提示补充影像采集或进行进一步检查。

11、更进一步地,医院本地节点在满足确定性输出条件时输出疾病疑似类别,并输出病灶位置、病灶边界、图像质量等级、预测置信度、不确定性指标和人工复核等级;在不满足确定性输出条件时,输出候选疾病类别、质量受限提示或无法确定提示;医生对诊断辅助结果进行确认、修正或驳回,患者级反馈保留在医院本地,反馈经统计汇总和隐私保护后形成难例统计或共享模型更新,用于后续本地训练和联邦协同训练。

12、与现有技术相比,本发明的有益效果是:

13、该基于联邦学习的肛肠疾病影像协同诊断方法,通过在各医院部署本地节点,使原始影像、患者身份信息及患者级诊疗记录保留于医院内部,仅对经裁剪、差分隐私扰动、加密封装和安全聚合处理的共享模型更新及统计信息进行协同,降低医疗数据跨机构传输产生的隐私泄露风险;同时,通过共享病灶表征与医院私有适配相结合,兼顾跨医院共有病灶特征及设备、光照、分辨率和标注习惯差异,并结合病灶原型、对比学习、类别均衡和难例优先策略,改善单中心样本不足、数据分布异质及少数类病灶易受多数类影响的问题。

14、同时,通过在疾病分类前对影像的清晰度、曝光程度、视野完整度、反光遮挡及病灶区域可辨识度进行综合评价,将影像划分为质量合格、轻度缺陷、质量受限和质量不合格等级,并分别执行直接分析、局部处理、提高复核等级或拒绝确定性输出;进一步结合病灶候选区域检测与实例分割,提取病灶的颜色、纹理、形态、边界、异常血管、面积及空间关系等病灶级特征,从而减少低质量影像被误判为阴性影像的情况,提高小病灶、多病灶及边界不完整病灶的检测和分类可靠性。

15、同时,通过综合模型成员预测差异、图像质量、待诊断影像与训练数据之间的分布差异以及病灶面积、遮挡和特征完整性,获得综合不确定性,并结合疾病类别概率及风险等级,将病例划分为常规查看、优先复核和必须复核;对于低置信度、类别概率接近、跨医院病灶原型不一致或疑似高风险病变的病例,提示医生补充采集影像、人工判断或进行病理检查,医生确认、修正或驳回的结果经隐私保护后用于后续训练,由此形成诊断、风险分层、医生复核及模型更新的闭环,提高辅助诊断结果的可信性和临床适用性。