买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利一种基于客户端聚类个性化联邦学习的医学图像分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117830746B 。

龙图腾网通过国家知识产权局官网在2025-11-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410045141.9，技术领域涉及：G06V10/764；该发明授权一种基于客户端聚类个性化联邦学习的医学图像分类方法是由缑水平;黄陆光;曹思颖;童诺设计研发完成，并于2024-01-11向国家知识产权局提交的专利申请。

本一种基于客户端聚类个性化联邦学习的医学图像分类方法在说明书摘要公布了：本发明公开了一种基于客户端聚类个性化联邦学习的图像分类方法，主要解决现有联邦学习方法对本地数据隐私保护差，在交互学习过程中通信量和计算量高的问题。其实现方案是：从公开数据集中获取结肠病理数据集并对其进行分类处理；根据狄利克雷分布对数据分布程度进行处理；选择Resnet18分类网络作为服务器端和客户端的主干网络模型；通过对客户端模型的训练进行客户端群组划分；通过自适应权重聚合对服务器端模型进行训练；利用训练好的服务器端模型的参数更新客户端模型；利用更新后的客户端模型实现对本地疾病图像数据的分类。本发明可保障数据的隐私安全，降低通信量和计算量，提高分类的准确率，可用于对医疗机构不同病种的医疗图像的分类检测。

本发明授权一种基于客户端聚类个性化联邦学习的医学图像分类方法在权利要求书中公布了：1.一种基于客户端聚类个性化联邦学习的医学图像分类方法，其特征在于，包括： 1获取服务器端的公共数据集、N个客户端的图像分类数据集和网络模型： 1a从N家医疗机构或公开数据集中获取相关疾病的数据集，并根据狄利克雷分布对其进行非独立同分布程度处理，得到N个客户端的图像分类数据集，N＝2； 1b从各医疗机构的数据集或公开数据集中抽取各类样本数量相同的图像组成服务器端的公共数据集； 1c分别将上述图像分类数据集和公共数据集中的样本，按照8:2或7:3或9:1的比例来划分各自的训练数据和测试数据； 1d选用现有的Resnet18分类网络，分别作为服务器端的主干网络模型S-NET和各客户端的主干网络模型C-NET； 2利用客户端C-NET模型的梯度向量变化对客户端进行类别向量估计，再通过聚类算法完成客户端的群组划分： 2a初始化客户端C-NET模型，利用图像分类数据集中的训练数据，基于随机梯度下降的反向传播法对C-NET模型进行训练，得到训练好的客户端网络模型C-NET1； 2b将公共数据集中的训练数据输入客户端C-NET1模型进行再训练，得到二次训练后的客户端网络模型C-NET2； 2c根据C-NET1模型和C-NET2模型梯度向量的差异，估算各客户端图像分类数据集中样本类别的比率根据比率得到样本分布类别估计向量R上传给服务器； 2d服务器根据各客户端的类别估计向量R，利用K-中心聚类算法，将客户端划分为C个群组； 3使用部分网络的个性化联邦学习及自适应权重聚合方法对服务器端S-NET模型和客户端二次训练后得到的C-NET2模型进行再训练： 3a服务器端初始化S-NET模型； 3b服务器从已划分群组的客户端中随机选择本轮参与训练的客户端，并发送S-NET中的特征提取层参数，即部分网络参数给选中的客户端； 3c客户端收到特征提取层参数后，以此更新本客户端C-NET2模型的特征提取层参数，再使用本客户端图像分类数据集中的训练数据对其进行基于随机梯度下降的反向传播训练，直到C-NET2模型收敛，得到三次训练后的客户端网络模型C-NET3，并将其特征提取层参数上传到服务器； 3d服务器对各客户端上传的C-NET3模型的特征提取层进行自适应权重聚合，利用聚合后的特征提取层参数更新S-NET模型的特征提取层参数； 3e重复步骤3b至3d，直到S-NET模型收敛，得到训练好的服务器端网络模型S-NET1； 3f将训练好的S-NET1模型中的特征提取层参数发送给各客户端，客户端收到特征提取层参数后，以此更新网络模型的特征提取层参数，得到各客户端最终的C-NET4模型； 4客户端将各自图像分类数据集中的测试数据输入到C-NET4模型，得到分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。