图像异常区域检测方法、装置、电子设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种图像异常区域检测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.在医疗领域中，关于图像异常区域检测通常采用计算机断层扫描（ct）进行检测，但是，由于每名患者的断层扫描图像数量都多达几百张，往往需要逐层地对断层扫描图像进行异常区域检测，以跟踪不同断层扫描图像的动态变化，这样会导致图像异常区域检测的准确性不高，而且通过医生肉眼观看不同断层扫描图像图像来完成病情诊断的难度很高，不可避免的会存在诊断结果偏差现象。
3.另外，由于医疗数据的隐私性，相关法律法规的保护性，以及各机构之间的竞争性等原因，使得各个医院的医疗数据不能被合理的共享，从而也会影响医学图像中异常区域检测的准确性。


技术实现要素：

4.本发明提供一种图像异常区域检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高图像异常区域检测的准确性。
5.为实现上述目的，本发明提供的一种图像异常区域检测方法，所述方法应用于参与联邦学习的其中一个参与方的客户端中，包括：从预先构建的本地数据库中获取诊疗图像及诊疗结果，对所述诊疗图像中的诊疗图像进行异常区域定位，得到异常区域图像；对所述异常区域图像进行3d图像构建，生成3d异常区域图像；对所述3d异常图像进行特征提取得到病理特征，对所述病理特征及诊疗结果分别进行向量化处理，得到病理特征向量及诊疗结果向量；采用样本对齐方法，从所述病理特征向量和诊疗结果向量中选取共享样本；利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度；将所述初始模型梯度加密并采取添加噪声处理后，上传至服务端，并接受服务端返回的更新模型梯度；根据所述更新模型梯度更新所述异常区域检测模型的模型梯度，得到更新异常区域检测模型，并利用所述更新异常区域检测模型对待检查图像进行异常区域的检测。
6.可选地，所述对所述诊疗图像进行异常区域定位，得到异常区域图像，包括：利用全卷积神经网络中的卷积层对所述诊疗图像进行卷积操作，得到特征诊疗图像；利用所述全卷积神经网络中的融合层对诊疗图像的底层特征与所述特征诊疗图像进行融合，得到目标特征图像；利用所述全卷积神经网络中的激活函数输出所述目标特征图像的检测结果，并根据所述检测结果，选取所述目标特征图像的异常区域，得到异常区域图像。
7.可选地，所述对所述3d异常图像进行特征提取得到病理特征，包括：获取所述3d异常图像的区域坐标框；计算所述3d异常图像的第一病理特征预测坐标框，并计算所述第一病理特征预测坐标框与所述区域坐标框的第一交并比，筛选出所述第一交并比大于预设第一阈值的第一病理特征预测坐标框，对筛选的所述第一病理特征预测坐标框进行裁剪，得到第一病理特征图像；计算所述第一病理特征图像的第二病理特征预测坐标框，并计算所述第二病理特征预测坐标框与所述区域坐标框的第二交并比，筛选出所述第二交并比大于预设第二阈值的第二病理特征预测坐标框，对筛选的所述第二病理特征预测坐标框进行裁剪，得到第二病理特征图像；计算所述第二病理特征图像的第三病理特征预测坐标框，并计算所述第三病理特征预测坐标框与所述区域坐标框的第三交并比，筛选出所述第三交并比大于预设第三阈值的第三病理特征预测坐标框，对筛选的所述第三病理特征预测坐标框进行裁剪，得到第三病理特征图像；从所述第三病理特征图像中提取出病理特征。
8.可选地，所述计算所述3d异常图像的第一病理特征预测坐标框，包括：利用下述方法计算所述3d异常图像的第一病理特征预测坐标框：其中，表示第一病理特征预测坐标框，r表示3d异常图像的图像灰度阶数，灰度概率密度函数。
9.可选地，所述利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度，包括：利用所述异常区域检测模型中的卷积层对所述共享样本进行特征提取，得到特征样本；利用所述异常区域检测模型中池化层对所述特征样本进行降维，得到降维样本；利用所述异常区域检测模型中全连接层输出所述降维样本的训练值，利用所述异常区域检测模型中的损失函数计算所述训练值与所述共享样本标签值的损失值；根据所述损失值，调整所述异常区域检测模型的模型梯度，直至所述损失值小于预设阈值时，得到所述异常区域检测模型的初始模型梯度。
10.可选地，所述接受服务端返回的更新模型梯度之前，还包括：利用所述服务端中存储的私钥，对所述初始模型梯度进行解密，得到解密模型梯度，在所述服务端中对所述解密模型梯度进行加权平均，得到更新模型梯度。
11.可选地，所述待检测图像包括腰椎ct图像。
12.为了解决上述问题，本发明还提供一种图像异常区域检测装置，所述装置包括：定位模块，用于从预先构建的本地数据库中获取诊疗图像及诊疗结果，对所述诊疗图像进行异常区域定位，得到异常区域图像；构建模块，用于对所述异常区域图像进行3d图像构建，生成3d异常区域图像；提取模块，用于对所述3d异常图像进行特征提取得到病理特征，对所述病理特征及诊
疗结果分别进行向量化处理，得到病理特征向量及诊疗结果向量；选取模块，用于采用样本对齐方法，从所述病理特征向量和诊疗结果向量中选取共享样本；训练模块，用于利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度；更新模块，用于将所述初始模型梯度加密并采取添加噪声处理后，上传至服务端，并接受服务端返回的更新模型梯度；检测模块，用于根据所述更新模型梯度更新所述异常区域检测模型的模型梯度，得到更新异常区域检测模型，并利用所述更新异常区域检测模型对待检查图像进行异常区域的检测。
13.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以实现上述所述的图像异常区域检测方法。
14.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的图像异常区域检测方法。
15.本发明实施例首先对从预先构建的本地数据库中获取诊疗图像及诊疗结果，对所述诊疗图像进行异常区域定位，得到异常区域图像，对所述异常区域图像进行3d图像构建，生成3d异常区域图像，以跟踪所述异常区域图像的异常区域位置变化，提高后续模型训练效果；其次，本发明实施例对所述3d异常图像以及所述诊疗结果进行特征提取、向量化处理以及共享样本选取，得到共享样本，保障了数据之间的隐私性，使得参与训练的参与方数据可以很好的合理共享；进一步地，本发明实施例利用所述共享样本对预构建的异常区域检测模型进行训练，并利用训练完成的所述异常区域检测模型对待检查图像进行异常区域检测，得到检测结果。因此，本发明提出的一种图像异常区域检测方法、装置、电子设备以及存储介质可以提高图像异常区域检测的准确性。
附图说明
16.图1为本发明一实施例提供的图像异常区域检测方法的流程示意图；图2为本发明第一实施例中图1提供的图像异常区域检测方法其中一个步骤的详细流程示意图；图3为本发明第一实施例中图1提供的图像异常区域检测方法另外一个步骤的详细流程示意图；图4为本发明一实施例提供的图像异常区域检测装置的模块示意图；图5为本发明一实施例提供的实现图像异常区域检测方法的电子设备的内部结构示意图；本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
17.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
18.本申请实施例提供一种图像异常区域检测方法。所述图像异常区域检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述图像异常区域检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。参照图1所示的本发明一实施例提供的图像异常区域检测方法的流程示意图。在本发明实施例中，所述图像异常区域检测方法应用于参与联邦学习的其中一个参与方的客户端中，并包括：s1、从预先构建的本地数据库中获取诊疗图像及诊疗结果，对所述诊疗图像进行异常区域定位，得到异常区域图像。
19.本发明实施例中，所述本地数据库包括医疗数据库，所述医疗数据库通过访问预先授权的医院后台数据库建立，优选地，所述医疗数据库为oracle数据库，进一步地，本发明实施例中，所述医疗数据库包括诊疗图像和诊疗结果。
20.其中，所述诊疗图像包括：腰椎横断面ct图像、胸部ct图像以及肿瘤图像等，所述诊疗结果包括：医生针对患者病情做出的诊断结果和医生针对病情做出的治疗方案（药物名称、用药方式、剂量、频率）。
21.进一步地，由于所述诊疗图像存在异常区域和非异常区域，本发明通过对所述诊疗图像进行异常区域定位，以筛选出异常区域图像。可选地，本发明实施例中，通过全卷积神经网络预测所述诊疗图像的像素点的类别，实现异常区域定位，可选地，所述全卷积神经网络为fully convolutional networks for semantic segmentation （简称fcn）。
22.详细地，参阅图2所示，所述对所述诊疗图像进行异常区域定位，得到异常区域图像，包括：s10、利用全卷积神经网络中的卷积层对每个所述诊疗图像进行卷积操作，得到特征诊疗图像；s11、利用所述全卷积神经网络中的融合层对诊疗图像的底层特征与所述特征诊疗图像进行融合，得到目标特征图像；s12、利用所述全卷积神经网络中的激活函数输出所述目标特征图像的检测结果，并根据所述检测结果，选取所述目标特征图像的异常区域，得到异常区域图像。
23.本发明实施例中，所述卷积层对图像进行卷积操作，可以实现图像特征提取。可选的所述卷积操作可以是通过对诊疗图像的张量进行卷积操作实现。
24.所述全卷积神经网络中的融合层将图像的底层特征融合至提取的图像特征中，可以减小对不同增益引起的图像灰度变化影响。所述底层特征指的是所述诊疗图像的基本特征，例如、颜色、长度、宽度等，较佳地，本发明实施例中通过所述融合层中的csp（cross-stage-partial-connections，跨阶段部分连接）模块实现。
25.本发明其中一个可选实施例中，所述激活函数包括：其中，表示目标特征图像的检测结果，s表示目标特征图像。
26.进一步地，本发明实施例中，所述检测结果包括：x、y、高、宽以及类别等，其中，x、y
表示目标特征图像的中心点，类别表示目标特征图像是否为异常区域，即类别0表示不是异常区域，类别1表示预测区域是异常区域，于是，本发明实施例选取类别为1的目标特征图像作为异常区域，从而生成所述异常区域图像。
27.s2、对所述异常区域图像进行3d图像构建，生成3d异常区域图像。
28.由于所述异常区域图像中异常区域图像所处位置不同，若对所述异常区域图像进行逐一观察，容易带来较大的时间成本，同时，也不利于跟踪所述异常区域图像的异常区域位置变化，从而会影响后续模型的训练效果，例如，患者a的诊疗图像中存在100张异常区域图像，若对100张异常区域图像进行逐一观察，带来极大的时间成本，同时也很难跟踪到100张异常区域图像的异常区域位置变化情况。因此，本发明通过对所述异常图像进行3d图像构建，生成3d异常区域图像，以跟踪所述异常区域图像的异常区域位置变化，提高后续模型训练效果。
29.本发明较佳实施中，所述3d图像构建通过三维医学影像重建软件实现。
30.s3、对所述3d异常图像进行特征提取得到病理特征，对所述病理特征及诊疗结果分别进行向量化处理，得到病理特征向量及诊疗结果向量。
31.本发明实施例通过对所述3d异常图像进行特征提取，以获取对应患者的患者信息，比如患者的受损部位的位置序列、受损部位的严重程度信息等。
32.详细地，参阅图3所示，所述对所述3d异常图像进行特征提取得到病理特征，包括：s20、获取所述3d异常图像的区域坐标框，即标签值；s21、计算所述3d异常图像的第一病理特征预测坐标框，并计算所述第一病理特征预测坐标框与所述区域坐标框的第一交并比，筛选出所述第一交并比大于预设第一阈值的第一病理特征预测坐标框，对筛选的所述第一病理特征预测坐标框进行裁剪，得到第一病理特征图像；s22、计算所述第一病理特征图像的第二病理特征预测坐标框，并计算所述第二病理特征预测坐标框与所述区域坐标框的第二交并比，筛选出所述第二交并比大于预设第二阈值的第二病理特征预测坐标框，对筛选的所述第二病理特征预测坐标框进行裁剪，得到第二病理特征图像；s23、计算所述第二病理特征图像的第三病理特征预测坐标框，并计算所述第三病理特征预测坐标框与所述区域坐标框的第三交并比，筛选出所述第三交并比大于预设第三阈值的第三病理特征预测坐标框，对筛选的所述第三病理特征预测坐标框进行裁剪，得到第三病理特征图像；s24、从所述第三病理特征图像中提取出病理特征。
33.其中，所述3d异常图像的区域坐标框通过人为在所述3d异常图像中进行标注的病理特征区域坐标框，用于和后续预测出的病理特征预测坐标框进行对比，从而提取出相应的病理特征，所述交并比用于表示预测的病理特征预测坐标框与标注的病理特征预测坐标框的重叠程度，本发明通过对3d异常图像进行3次病理特征预测坐标框的预测，以提高后续病理特征提取的准确性。
34.本发明其中一个可选实施例中，利用下述方法计算所述3d异常图像的第一病理特征预测坐标框：
其中，表示第一病理特征预测坐标框，r表示3d异常图像的图像灰度阶数，灰度概率密度函数。
35.本发明其中一个可选实施例中，利用下述方法计算所述第一病理特征预测坐标框与所述区域坐标框的第一交并比：其中，dice（a，b）表示交并比，a表示病理特征预测坐标框，b表示区域坐标。可选的，所述预设阈值为0.7。
36.本发明其中一个可选实施例中，所述第一病理特征预测坐标框、第二病理特征预测坐标框及第三病理特征预测坐标框通过图像裁剪工具进行裁剪，所述图像裁剪工具包括：photoshop工具。
37.本发明其中一个可选实施例中，利用直方图算法从所述第三病理特征图像中提取出病理特征，所述直方图算法包括：方向梯度直方图(histogram of oriented gradient，hog）算法。
38.进一步地，所述第二病理特征预测坐标框和第三病理特征预测坐标框的计算方法可以参阅上述第一病理特征预测坐标框的计算方法，所述第二交并比和第三交并比的计算方法可以参阅上述第一交并比的计算方法。可选的，所述预设第一阈值、预设第二阈值以及预设第三阈值分别为0.5、0.6以及0.7。
39.进一步地，本发明实施例采用word2vec向量转换法将所述病理特征和所述诊疗结果进行向量转化，得到病理特征向量和诊疗结果向量，用于训练异常区域检测模型。
40.s4、采用样本对齐方法，从所述病理特征向量和诊疗结果向量选取共享样本。
41.本发明实施例基于在保护不同医疗数据的隐私前提下，从所述所述病理特征向量和诊疗结果向量具有相同特征的图像及诊疗结果作为共享样本，优选地，本发明采用样本对齐技术，从所述病理特征向量和诊疗结果向量选取共享样本。使用样本对齐技术得到共享样本，可以使样本编号和时间信息等对齐，从而有利于参与联邦训练的每个参与方之间实现数据的准确共享。其中，所述样本对齐技术属于当前已知的技术，在此不做进一步地阐述。
42.进一步地，需要强调的是，为保障所述共享样本的复用性，所述共享样本还可存储于一区块链节点中。
43.s5、利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度。
44.本发明实施例中，所述异常区域检测模型通过vgg深度学习网络构建，其中，所述异常区域检测模型包括：卷积层、池化层以及全连接层等。
45.进一步地，所述s5包括：利用所述卷积层对所述共享样本进行特征提取，得到特征样本；利用所述池化层对所述特征样本进行降维，得到降维样本；利用所述全连接层输出所述降维样本的训练值，利用所述异常区域检测模型中的损失函数计算所述训练值与所述共享样本标签值的损失值；根据所述损失值，调整所述异常区域检测模型的模型梯度，直至所述损失值小于预设阈值时，得到所述异常区域检测模型的初始模型梯度。
46.一个可选实施例中，所述模型梯度通过随机梯度下降算法进行调整。
47.s6、将所述初始模型梯度加密并采取添加噪声处理后，上传至服务端，并接受服务端返回的更新模型梯度。
48.由于所述初始模型梯度具有一定的隐私性，于是本发明实施例对所述初始模型梯度加密并采取添加噪声处理后，上传至服务端，以保障所述初始模型梯度在传输过程中不被窃取以及避免在更新模型时模型数据被泄露的问题。
49.其中，所述初始模型梯度加密根据预先在服务端中设置的公钥进行加密，所述添加噪声通过椒盐噪声实现。
50.进一步地，本发明实施例中，所述接受服务端返回的更新模型梯度之前包括：利用所述服务端中存储的私钥，对所述初始模型梯度进行解密，得到解密模型梯度，在所述服务端中对所述解密模型梯度进行加权平均，得到更新模型梯度。
51.其中，所述服务端指的是参与联邦训练的多个参与方共同信任的一个安全服务端，通过在服务端进行模型训练梯度的共享，可以保证各个参与方本地数据的不被窃取，有效的保障了本地数据的隐私性。
52.s7、根据所述更新模型梯度更新所述异常区域检测模型的模型梯度，得到更新异常区域检测模型，并利用所述更新异常区域检测模型对待检查图像进行异常区域的检测。
53.本发明实施例中，根据服务端返回的更新模型梯度，更新所述异常区域检测模型的初始模型梯度，得到更新异常区域检测模型，并利用所述更新异常区域检测模型对待检查图像进行异常区域检测，得到检测结果，其中，所述待检查图像包括：腰椎ct图像，所述检测检测结果包括：腰椎ct图像中存在的骨折区域和治疗方案等。
54.本发明实施例首先对从预先构建的本地数据库中获取诊疗图像及诊疗结果，对所述诊疗图像进行异常区域定位，得到异常区域图像，对所述异常区域图像进行3d图像构建，生成3d异常区域图像，以跟踪所述异常区域图像的异常区域位置变化，提高后续模型训练效果；其次，本发明实施例对所述3d异常图像以及所述诊疗结果进行特征提取、向量化处理以及共享样本选取，得到共享样本，保障了数据之间的隐私性，使得参与训练的参与方数据可以很好的合理共享；进一步地，本发明实施例利用所述共享样本对预构建的异常区域检测模型进行训练，并利用训练完成的所述异常区域检测模型对待检查图像进行异常区域检测，得到检测结果。因此，本发明提出的一种图像异常区域检测方法可以提高图像异常区域检测的准确性。
55.如图4所示，是本发明图像异常区域检测装置的功能模块图。
56.本发明所述图像异常区域检测装置100可以安装于电子设备中。根据实现的功能，所述图像异常区域检测装置可以包括定位模块101、构建模块102、提取模块103、选取模块104、训练模块105、更新模块106以及检测模块107。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
57.在本实施例中，关于各模块/单元的功能如下：所述定位模块101，用于从预先构建的本地数据库中获取诊疗图像及诊疗结果，对所述诊疗图像进行异常区域定位，得到异常区域图像；所述构建模块102，用于对所述异常区域图像进行3d图像构建，生成3d异常区域图像；
所述提取模块103，用于对所述3d异常图像进行特征提取得到病理特征，对所述病理特征及诊疗结果分别进行向量化处理，得到病理特征向量及诊疗结果向量；所述选取模块104，用于采用样本对齐方法，从所述病理特征向量和诊疗结果向量中选取共享样本；所述训练模块105，用于利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度；所述更新模块106，用于将所述初始模型梯度加密并采取添加噪声处理后，上传至服务端，并接受服务端返回的更新模型梯度；所述检测模块107，用于根据所述更新模型梯度更新所述异常区域检测模型的模型梯度，得到更新异常区域检测模型，并利用所述更新异常区域检测模型对待检查图像进行异常区域的检测。
58.详细地，本发明实施例中所述图像异常区域检测装置100中的所述各模块在使用时采用与上述的图1至图3中所述的图像异常区域检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
59.如图5所示，是本发明实现图像异常区域检测方法的电子设备的结构示意图。
60.所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如图像异常区域检测程序12。
61.其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：sd或dx存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（smart media card， smc）、安全数字（secure digital， sd）卡、闪存卡（flash card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如图像异常区域检测的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
62.所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（central processing unit，cpu）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（control unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行图像异常区域检测等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
63.所述总线可以是外设部件互连标准（peripheral component interconnect，简称pci）总线或扩展工业标准结构（extended industry standard architecture，简称eisa）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
64.图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些
部件，或者不同的部件布置。
65.例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
66.进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如wi-fi接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
67.可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（display）、输入单元（比如键盘（keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled（organic light-emitting diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
68.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
69.所述电子设备1中的所述存储器11存储的图像异常区域检测12是多个指令的组合，在所述处理器10中运行时，可以实现：从预先构建的本地数据库中获取诊疗图像及诊疗结果，对所述诊疗图像进行异常区域定位，得到异常区域图像；对所述异常区域图像进行3d图像构建，生成3d异常区域图像；对所述3d异常图像进行特征提取得到病理特征，对所述病理特征及诊疗结果分别进行向量化处理，得到病理特征向量及诊疗结果向量；采用样本对齐方法，从所述病理特征向量和诊疗结果向量中选取共享样本；利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度；将所述初始模型梯度加密并采取添加噪声处理后，上传至服务端，并接受服务端返回的更新模型梯度；根据所述更新模型梯度更新所述异常区域检测模型的模型梯度，得到更新异常区域检测模型，并利用所述更新异常区域检测模型对待检查图像进行异常区域的检测。
70.具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
71.进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read-only memory）。
72.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
73.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
74.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
75.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
76.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
77.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
78.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
79.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种图像异常区域检测方法，其特征在于，所述方法应用于参与联邦学习的其中一个参与方的客户端中，包括：从预先构建的本地数据库中获取诊疗图像及诊疗结果，对所述诊疗图像进行异常区域定位，得到异常区域图像；对所述异常区域图像进行3d图像构建，生成3d异常区域图像；对所述3d异常图像进行特征提取得到病理特征，对所述病理特征及诊疗结果分别进行向量化处理，得到病理特征向量及诊疗结果向量；采用样本对齐方法，从所述病理特征向量和诊疗结果向量中选取共享样本；利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度；将所述初始模型梯度加密并采取添加噪声处理后，上传至服务端，并接受服务端返回的更新模型梯度；根据所述更新模型梯度更新所述异常区域检测模型的模型梯度，得到更新异常区域检测模型，并利用所述更新异常区域检测模型对待检查图像进行异常区域的检测。2.如权利要求1所述的图像异常区域检测方法，其特征在于，所述对所述诊疗图像进行异常区域定位，得到异常区域图像，包括：利用全卷积神经网络中的卷积层对所述诊疗图像进行卷积操作，得到特征诊疗图像；利用所述全卷积神经网络中的融合层对诊疗图像的底层特征与所述特征诊疗图像进行融合，得到目标特征图像；利用所述全卷积神经网络中的激活函数输出所述目标特征图像的检测结果，并根据所述检测结果，选取所述目标特征图像的异常区域，得到异常区域图像。3.如权利要求1所述的图像异常区域检测方法，其特征在于，所述对所述3d异常图像进行特征提取得到病理特征，包括：获取所述3d异常图像的区域坐标框；计算所述3d异常图像的第一病理特征预测坐标框，并计算所述第一病理特征预测坐标框与所述区域坐标框的第一交并比，筛选出所述第一交并比大于预设第一阈值的第一病理特征预测坐标框，对筛选的所述第一病理特征预测坐标框进行裁剪，得到第一病理特征图像；计算所述第一病理特征图像的第二病理特征预测坐标框，并计算所述第二病理特征预测坐标框与所述区域坐标框的第二交并比，筛选出所述第二交并比大于预设第二阈值的第二病理特征预测坐标框，对筛选的所述第二病理特征预测坐标框进行裁剪，得到第二病理特征图像；计算所述第二病理特征图像的第三病理特征预测坐标框，并计算所述第三病理特征预测坐标框与所述区域坐标框的第三交并比，筛选出所述第三交并比大于预设第三阈值的第三病理特征预测坐标框，对筛选的所述第三病理特征预测坐标框进行裁剪，得到第三病理特征图像；从所述第三病理特征图像中提取出病理特征。4.如权利要求3所述的图像异常区域检测方法，其特征在于，所述计算所述3d异常图像的第一病理特征预测坐标框，包括：利用下述方法计算所述3d异常图像的第一病理特征预测坐标框：
其中，表示第一病理特征预测坐标框，r表示3d异常图像的图像灰度阶数，灰度概率密度函数。5.如权利要求1所述的图像异常区域检测方法，其特征在于，所述利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度，包括：利用所述异常区域检测模型中的卷积层对所述共享样本进行特征提取，得到特征样本；利用所述异常区域检测模型中池化层对所述特征样本进行降维，得到降维样本；利用所述异常区域检测模型中全连接层输出所述降维样本的训练值，利用所述异常区域检测模型中的损失函数计算所述训练值与所述共享样本标签值的损失值；根据所述损失值，调整所述异常区域检测模型的模型梯度，直至所述损失值小于预设阈值时，得到所述异常区域检测模型的初始模型梯度。6.如权利要求1所述的图像异常区域检测方法，其特征在于，所述接受服务端返回的更新模型梯度之前，还包括：利用所述服务端中存储的私钥，对所述初始模型梯度进行解密，得到解密模型梯度，在所述服务端中对所述解密模型梯度进行加权平均，得到更新模型梯度。7.如权利要求1至6中任意一项所述的图像异常区域检测方法，其特征在于，所述待检测图像包括腰椎ct图像。8.一种图像异常区域检测装置，其特征在于，所述装置包括：定位模块，用于从预先构建的本地数据库中获取诊疗图像及诊疗结果，对所述诊疗图像进行异常区域定位，得到异常区域图像；构建模块，用于对所述异常区域图像进行3d图像构建，生成3d异常区域图像；提取模块，用于对所述3d异常图像进行特征提取得到病理特征，对所述病理特征及诊疗结果分别进行向量化处理，得到病理特征向量及诊疗结果向量；选取模块，用于采用样本对齐方法，从所述病理特征向量和诊疗结果向量中选取共享样本；训练模块，用于利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度；更新模块，用于将所述初始模型梯度加密并采取添加噪声处理后，上传至服务端，并接受服务端返回的更新模型梯度；检测模块，用于根据所述更新模型梯度更新所述异常区域检测模型的模型梯度，得到更新异常区域检测模型，并利用所述更新异常区域检测模型对待检查图像进行异常区域的检测。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任
意一项所述的图像异常区域检测方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的图像异常区域检测方法。
技术总结
本发明涉及人工智能领域，揭露一种图像异常区域检测方法，包括：从本地数据库中获取诊疗图像及诊疗结果，对诊疗图像进行异常区域定位和3D图像构建，生成3D异常区域图像；对3D异常图像进行特征提取得到病理特征，对病理特征及诊疗结果进行向量化处理后从中选取共享样本；利用共享样本训练异常区域检测模型，得到初始模型梯度；将初始模型梯度上传至服务端，并接受服务端返回的更新模型梯度；利用根据更新模型梯度更新的异常区域检测模型对待检查图像进行异常区域的检测。此外，本发明还涉及区块链技术，所述共享样本可存储于区块链中。本发明还揭露图像异常区域检测装置、电子设备及存储介质。本发明可以提高图像异常区域检测的准确性。的准确性。的准确性。


技术研发人员：李泽远 王健宗
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2020.12.18
技术公布日：2021/3/9