23、医疗图像分类与疾病检测的创新技术方案

医疗图像分类与疾病检测的创新技术方案

在医疗领域，数据隐私和疾病检测的准确性至关重要。传统的医疗数据处理方式面临着数据隐私保护和疾病检测效率的挑战。医院由于缺乏支持，往往只能提供少量标记数据和一些额外的未标记数据。因此，结合联邦学习（FL）和卷积神经网络（CNN）的范式应运而生，以应对这种情况。

1. 研究背景与目标

在医疗成像领域，如磁共振成像（MRI）和计算机断层扫描（CT），FL与CNN的结合已经得到了应用，并且其在基于云的环境中的安全性也得到了探索。然而，典型的监督式FL范式在医学图像分类方面可能效果不佳。为了解决这些问题，提出了一种使用FedCNN与FedAVG模型的方法，旨在提供安全性的同时保持数据的分散性。该模型通过深度学习提高了医学成像复杂问题的准确性和效率，同时解决了更高疾病检测率的分类问题。

主要贡献包括：
- 提出了一种新颖的方法，用于维护医学图像数据的分散性，以克服现有模型在医学成像安全技术方面的限制。
- 借助深度学习设计了带有FedAVG算法的FedCNN，以保护医学图像的安全。
- 使用准确性、精确性和召回率等指标，在X射线和疟疾数据集上评估了模型的性能。

2. 研究方法

2.1 数据集详情

本实验使用了两个公开数据集：
- 胸部COVIDx - 19放射数据库：由意大利医学与介入放射学会（SIRM）公开提供，包含9347张胸部X射线图像，其中COVID感染和正常样本的实例数量相等。
- 美国国家医学图书馆疟疾数据集：包含27558张细胞图像，寄生和未感染细胞的实例数量相等。所有图像均为便携式网络图形（PNG）文件格式，分辨率为299