CN115588487A 一种基于联邦学习和生成对抗网络的医学图像数据集制作方法 （重庆邮电大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN115588487A(43)申请公布日2023.01.10

(21)申请号202211382847.1GO6V10/82(2022.01)

(22)申请日2022.11.07

(71)申请人重庆邮电大学

地址400065重庆市南岸区南山街道崇文

路2号

(72)发明人肖云鹏李旭峰李暾贾朝龙庞育才王蓉

(74)专利代理机构重庆辉腾律师事务所50215专利代理师王诗思

(51)Int.CI.

G16H

GO6N

GO6N

GO6V

GO6V

30/20(2018.01)

3/04(2006.01)

3/08(2006.01)

10/40(2022.01)10/774(2022.01)

权利要求书2页

说明书6页附图3页

(54)发明名称

一种基于联邦学习和生成对抗网络的医学图像数据集制作方法

(57)摘要

CN115588487A本发明涉及一种基于联邦学习和生成对抗网络的医学图像数据集制作方法，包括：将生成对抗网络模型中的判别器作为全局模型下发给所有客户端；客户端随机抽取训练样本发送至服务器；服务器将训练样本输入中心生成器生成仿真样本并发送给客户端；客户端利用全局模型对仿真样本和训练样本中的样本进行判别得到判别结果，根据判别结果更新全局模型的参数生成本地模型；并将本地模型以及判别结果上传至服务器；服务器根据所有客户端本地样本的数量计算客户端的聚合权重；并根据样本的判别结果更新中心生成器的参数；服务器根据所有客户端的聚合权重对本地模型进行聚合得到新的全局模

CN115588487A

服务器获取客户端每个类别的本地样本数量，并将生成对抗网络模型中的判别器

作为全局模型下发给所有客户端；客户端对本地样本数据进行特征提取得到本地

样本的特征向量

客户端随机抽取m个本地样本的特征向量作为训练样本集并发送至服务器

服务器将训练样本集中的训练样本输入生成对抗网络的中心生成器生成仿真样本集；并将仿真样本集发送给客户端

客户端利用全局模型对仿真样本集和训练样本集中的样本进行判别得到仿真样本

集和训练样本集中样本的判别结果，并根据判别结果通过随机梯度上升的方式更

新全局模型的参数生成本地模型；并将本地模型以及仿真样本集中样本的判别结

果上传至服务器

服务器根据所有客户端每个类别的本地样本数量计算客户端的聚合权重；并根据仿真样本集中样本的判别结果利用随机梯度下降的方式更新中心生成器的参数

服务器根据所有客户端的聚合权重对所有客户端上传的本地模型进行聚合得到下

一轮迭代训练的全局模型，并将下一轮迭代训练的全局模型下发给所有客户端重

复上述

步骤直至中心生成器收敛为止，利用收敛后的中心生成器生成仿真医学图像数据集

CN115588487A权利要求书1/2页

2

1.一种基于联邦学习和生成对抗网络的医学图像数据集制作方法，其特征在于，包括：

S1:服务器获取客户端每个类别的本地样本数量，并将生成对抗网络模型中的判别器作为全局模型下发给所有客户端；客户端对本地样本数据进行特征提取得到本地样本的特征向量；

S2:客户端随机抽取m个本地样本的特征向量作为训练样本集并发送至服务器；

S3:服务器将训练样本集中的训练样本输入生成对抗网络的中心生成器生成仿真样本集；并将仿真样本集发送给客户端；

S4:客户端利用全局模型对仿真样本集和训练样本集中的样本进行判别得到仿真样本集和训练样本集中样本的判别结果，并根据判别结果通过随机梯度上升的方式更新全局模型的参数生成本地模型；并将本地模型以及仿真样本集中样本的判别结果上传至服务器；

S5:服务器根据所有客户端每个类别的本地样本数量计算客户端的聚合权重；并根据仿真样本集中样本的判别结果利用随机梯度下降的方式更新中心生成器的参数；

S6:服务器根据所有客户端的聚合权重对所有客户端上传的本地模型进行聚合得到下一轮迭代训练的全局模型，并将下一轮迭代训练的全局模型下发给所有客户端重复步骤S2-S6直至中心生成器收敛为止，利用收敛后的中心生成器生成仿真医学图像数据集。

2.根据权利要求1所述的一种基于联邦学习和生成对抗网络的医学图像数据集制作方法，其特征在于，所述客户端对本地样本数据进行特征提取得到本地样