基于联邦学习和改进ResNet的肺炎辅助诊断
作者:
作者单位:

作者简介:

通讯作者:

中图分类号:

基金项目:


Assisted Diagnosis of Pneumonia Based on Federated Learning and Improved ResNet
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对目前基于批量归一化的ResNet肺炎辅助诊断方法对于批量大小具有较高依赖性、网络通道特征利用率较低, 并针对采用深度神经网络的肺炎诊断方法都忽略了医疗数据隐私和孤岛的问题, 提出一种融合联邦学习框架、压缩激励网络和改进ResNet的辅助诊断方法(FL-SE-ResNet-GN), 运用联邦学习保护数据隐私的同时结合压缩激励网络和组归一化方式充分关注通道特征. 通过Chest X-Ray Images数据集的实验结果表明, 该方法的准确率、精度和召回率分别达到0.952、0.933和0.974. 与其它现有方法相比, 该方法在保护数据隐私的基础上准确率和召回率指标具有明显提升.

    Abstract:

    The current assisted pneumonia diagnosis method using the residual network (ResNet) based on batch normalization has high dependence on the batch size and a low utilization rate of network channel features, and pneumonia diagnosis methods using deep neural networks all ignore the problems of medical data privacy and islands. To solve these problems, this study proposes an assisted diagnosis method that integrates the federated learning framework, the squeeze-and-excitation network, and the improved ResNet (FL-SE-ResNet-GN). This method uses FL to protect data privacy and pays full attention to channel characteristics with the SE network and the group normalization method. Experimental results on the Chest X-Ray Images dataset show that the accuracy, precision, and recall of this method reach 0.952, 0.933, and 0.974, respectively. Compared with other existing methods, this method has significantly improved the accuracy and recall indicators on the basis of protecting data privacy.

    参考文献
    相似文献
    引证文献
引用本文

曹润芝,韩斌,刘嘎琼.基于联邦学习和改进ResNet的肺炎辅助诊断.计算机系统应用,2022,31(2):227-233

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2021-04-16
  • 最后修改日期:2021-06-08
  • 录用日期:
  • 在线发布日期: 2022-01-28
  • 出版日期:
文章二维码
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码:100190
电话:010-62661041 传真: Email:csa (a) iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号