基于联邦学习和改进ResNet的肺炎辅助诊断

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.

关键词：肺炎辅助诊断;联邦学习;残差网络;隐私保护;数据孤岛

所属期刊栏目：31

在线出版日期：2022-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：227-233