公开(公告)号：CN119358628A

公开(公告)日：2025-01-24

申请号：CN202411423926.1

申请日：2024-10-12

Applicant: 桂林电子科技大学 ,  桂林奥普计算机网络集团有限公司

Inventor： 刘振丙 ,  李焕兰 ,  路皓翔 ,  王琳 ,  杨辉华 ,  梁香元

IPC: G06N3/0895 ,  G06N3/098 ,  G06V10/82 ,  G06V10/771

Abstract: 本发明提出了一种基于联邦学习的自监督预训练方法，以提升肝癌图像分割效果。医学图像分割旨在准确提取感兴趣区域，以辅助诊断与治疗，但传统方法依赖大量标注数据，在医学领域难以获得。本方法利用ViT编码器对无标注的肝癌遮掩图像进行特征学习，并通过ViT解码器重建遮掩像素块，随后传递嵌入特征给下游任务；结合当前本地模型与上一轮全局模型，优化训练过程，减少当前模型与全局模型特征表示距离，同时增加与本地模型特征表示距离，通过对比使客户端模型逐步接近全局模型，获得较优全局模型对肝癌图像进行分割。本方法有效缓解数据异构性导致的性能下降，提高模型的泛化能力，解决数据标签不足的问题，从而推动人工智能辅助医疗领域的应用。