期刊检索

  • 2025年第23卷
  • 2024年第22卷
  • 2023年第21卷
  • 2022年第20卷
  • 2021年第19卷
  • 2020年第18卷
  • 2019年第17卷
  • 2018年第16卷
  • 2017年第15卷
  • 2016年第14卷
  • 2015年第13卷
  • 2014年第12卷
  • 2013年第11卷
  • 第1期
  • 第2期

主管单位 工业和信息化部 主办单位 哈尔滨工业大学 主编 任南琪 国际刊号ISSN 1672-5565 国内刊号CN 23-1513/Q

期刊网站二维码
微信公众号二维码
引用本文:段聪颖,顾敏杰,李雪,陈思光.基于联邦半监督学习的皮肤病变智能识别[J].生物信息学,2025,23(1):61-70.
DUAN Congying,GU Minjie,LI Xue,CHEN Siguang.Federated semi-supervised learning-based intelligent recognition for skin lesion[J].Chinese Journal of Bioinformatics,2025,23(1):61-70.
【打印本页】   【HTML】   【下载PDF全文】   查看/发表评论  下载PDF阅读器  关闭
←前一篇|后一篇→ 过刊浏览    高级检索
本文已被:浏览 34次   下载 24 本文二维码信息
码上扫一扫!
分享到: 微信 更多
基于联邦半监督学习的皮肤病变智能识别
段聪颖1, 顾敏杰1,李 雪2,陈思光1
(1. 南京邮电大学 物联网学院, 南京 210003;2. 南京医科大学附属妇产医院(南京市妇幼保健院)皮肤科,南京 210004)
摘要:
近年来,深度学习技术已广泛应用于皮肤病变识别。然而在实际应用场景中,单一医疗机构存在训练数据有限、有标签样本不足,以及集中式学习易泄露隐私等问题。针对上述问题,本文提出了一种基于联邦半监督学习的皮肤病变智能识别机制。具体地,设计了一个基于联邦学习的云边协同皮肤病变智能识别模型,该模型在保护用户隐私的前提下,协同训练各个医疗机构数据,可为用户提供准确便捷的诊断服务。接着,设计了一种面向数据异构的半监督损失函数,以有效控制局部模型与全局模型之间的差异。此外,通过融合多重随机采样与准确率加权方法,明确各个本地模型的贡献,并将各个不均匀的本地模型聚合成一个全局共识模型,以进一步降低数据异构的影响。最后,实验结果表明,相较于近期提出的几种机制,所提机制在性能和可扩展性方面表现更优。
关键词:  皮肤病变  深度学习  图像识别  联邦学习
DOI:10.12113/202306005
分类号:TP391
文献标识码:A
基金项目:国家自然科学基金(No.61971235); 中国博士后科学基金项目(No.2018M630590); 江苏省“333高层次人才培养工程”、江苏省博士后科研资助计划(No.2021K501C); 南京市妇幼保健院青年人才和南京邮电大学‘1311’人才计划资助.
Federated semi-supervised learning-based intelligent recognition for skin lesion
DUAN Congying1, GU Minjie1, LI Xue2, CHEN Siguang1
(1. School of Internet of Things, Nanjing University of Posts and Telecommunications, Nanjing 210003, China; 2. Department of Dermatology, Womens Hospital of Nanjing Medical University (Nanjing Maternity and Child Health Care Hospital), Nanjing 210004, China)
Abstract:
In recent years, deep learning technology has been widely applied in skin lesion recognition. However, in practical applications, single medical institution faces problems such as limited training data, insufficient labeled samples, and the risk of privacy leakage in centralized learning. To address the above problems, a federated semi-supervised learning-based intelligent recognition mechanism for skin lesion is proposed. Specifically, a federated learning-based cloud-edge collaborative intelligent recognition model for skin lesion is designed, which collaboratively trains data from various medical institutions while protecting the privacy of users. This model can provide users with accurate and convenient diagnostic services. Then, a semi-supervised loss function for heterogeneous data is designed to effectively control the difference between local models and global model. In addition, by combining multiple random samplings and accuracy-based weighting method, the contribution of each local model is clarified, and all uneven local models are aggregated into a global consensus model to further reduce the impact of data heterogeneity. Finally, experimental results show that the proposed mechanism has better performance and scalability than several recently proposed mechanisms.
Key words:  Skin lesion  Deep learning  Image recognition  Federated learning

友情链接LINKS

关闭