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！

申请/专利权人：阿尔麦德智慧医疗(湖州)有限公司

摘要：本发明涉及智能AI领域，具体是指基于AI移动医疗超声造影图像分析与辅助系统，包括图像采集与处理模块、图像分析与隐私安全模块、辅助诊断与报告生成模块、用户界面与交互模块和数据管理与存储模块；本方案采用改进的联合异构图像分析方法生成超声造影图像分析模型，在不暴露患者原始数据的前提下，协同多中心的异构医学图像数据进行模型训练，通过集成高级加密技术和差异隐私策略，确保了个人信息的安全无虞；基于CNN模型进行训练，并使用PDPs可视化技术提高模型的可解释性，直观理解各特征如何影响预测结果，同时，采用改进的优化算法对模型性能进行精进，提升辅助诊断结果的准确性。

主权项：1.基于AI移动医疗超声造影图像分析与辅助系统，其特征在于：包括图像采集与处理模块、图像分析与隐私安全模块、辅助诊断与报告生成模块、用户界面与交互模块和数据管理与存储模块；所述图像采集与处理模块使用高灵敏度的便携式超声设备采集超声造影图像，并使用无线通信技术实时传输至医院的云端和本地工作站中，对超声造影图像进行去噪、图像增强和图像配准操作，得到图像数据；所述图像分析与隐私安全模块使用改进的联合异构图像分析方法对图像数据进行分析，并对图像数据传输过程中的安全性和隐私性进行优化，得到图像分析结果；所述辅助诊断与报告生成模块根据图像分析结果，基于CNN模型进行训练，并使用PDPs可视化技术和改进的优化算法进行优化，生成结构化的辅助诊断报告；所述用户界面与交互模块提供一个直观、易操作的界面；所述数据管理与存储模块确保所有收集和分析的数据能够安全、合规地存储，并支持数据检索；所述改进的联合异构医学图像分析方法，具体包括以下步骤：步骤S1：数据集构建与处理，从医疗机构收集匿名化的超声造影图像数据，进行标准化处理，得到标准化图像数据；步骤S2：模型构建，使用PeleeNet模型和个性化联邦学习模型构建超声造影图像分析模型，对标准化图像数据进行分析，得到图像数据分析结果；步骤S3：CSAHE机制，将每个医疗机构作为一个用户，使用加密-求和方法为所有用户提供保护；步骤S4：数据分析与模型评估，评估超声造影图像分析模型性能，并定期进行隐私影响评估，验证CSAHE机制是否有效防止了通过梯度信息逆向工程泄露图像数据的风险；步骤S5：实际应用；步骤S6：模型迭代与更新；在步骤S2中，模型构建，具体包括以下步骤：步骤S21：主体模型构建，使用深度可分离卷积和金字塔结构单元构建PeleeNet模型的主体部分，生成初级模型；步骤S22：过渡层设计，在相邻的金字塔结构单元之间使用过渡层减少初级模型的维度和尺寸；步骤S23：模型压缩与优化，使用模型压缩和优化技术对初级模型的存储需求进行优化；步骤S24：初始化元模型，使用个性化的FedAvg算法在服务器上初始化一个全局模型，作为元模型的起始点；步骤S25：适应性训练，使用MAML启发的方法进行适应性训练，获得高性能的初始元模型，记录元模型参数信息；步骤S26：元模型更新，将更新的元模型参数信息传回服务器，服务器根据元模型参数信息更新元模型；在步骤S3中，CSAHE机制，具体包括以下步骤：步骤S31：初始化与选择发起者，将全局模型发送给所有用户，在每轮元模型训练的末尾，随机选择一位用户作为本轮聚合的发起者，并设置加密所需的参数；步骤S32：本地模型训练，每个用户以收到的全局模型作为起点，使用私有的超声造影图像数据，在本地进行训练，生成本地模型；步骤S32：加密前准备，计算本地模型与全局模型之间的梯度差，发起者在梯度的计算中添加随机噪声，生成加噪梯度；步骤S33：同态加密，使用全同态加密方案对加噪梯度进行加密，生成加密的张量数据，并使用TenSEAL处理加密的张量数据，得到加密加噪的梯度，同态加密包括公钥和解密密钥；步骤S34：循环加密聚合，发起者将加密加噪的梯度发送给下一个用户，每个用户都使用加密加噪梯度累加方案进行隐私保护的梯度更新，得到聚合的加密梯度；步骤S35：发起者解密并聚合，发起者使用所有用户的公钥和解密密钥对聚合的加密梯度进行解密，得到全局模型的聚合梯度；步骤S36：声消除与梯度平均，解密后，从全局模型的聚合梯度中移除之前添加的随机噪声，并对结果进行处理，得到更新的全局梯度；步骤S37：应用梯度更新；所述辅助诊断与报告生成模块使用PDPs可视化技术和改进的优化算法进行优化，所述PDPs可视化技术和改进的优化算法，具体包括以下步骤：步骤P1：CNN模型训练，使用CNN模型对图像分析结果进行训练学习，提取特征，生成初步辅助诊断报告；步骤P2：PDPs优化，使用PDPs可视化技术对CNN模型进行优化，绘制PDP图像；步骤P3：模型参数优化，使用改进的优化算法对CNN模型的参数进行优化；步骤P4：迭代优化，CNN网络经过100次的迭代训练和参数优化后终止优化，选取最优的CNN模型参数作为最终的CNN模型生成辅助诊断报告；所述辅助诊断与报告生成模块使用PDPs可视化技术和改进的优化算法进行优化，所述PDPs可视化技术和改进的优化算法，具体包括以下步骤：步骤P1：CNN模型训练，使用CNN模型对图像分析结果进行训练学习，提取特征，生成初步辅助诊断报告；步骤P2：PDPs优化，使用PDPs可视化技术对CNN模型进行优化，绘制PDP图像；步骤P3：模型参数优化，使用改进的优化算法对CNN模型的参数进行优化；步骤P4：迭代优化，CNN网络经过100次的迭代训练和参数优化后终止优化，选取最优的CNN模型参数作为最终的CNN模型生成辅助诊断报告；在步骤P3中，模型参数优化，具体包括以下步骤：步骤P31：种群初始化，使用逻辑混沌映射进行种群初始化，设置种群大小、种群中的个体数量、最大迭代次数、搜索空间边界和种群角色，所用公式如下： ； ；式中，为自然数，和分别代表第次和第次迭代的混沌值，是在[0,4]区间内的控制参数，和分别为搜索空间的上边界和下边界，表示混沌值映射到搜索空间的值；步骤P32：探索阶段，所有个体使用统一的Levy分布和跳跃策略在搜索空间中搜索个体的最优解，所用公式如下： ；式中，为适应函数，代表当前迭代次数，为最大迭代次数，表示问题维度，表示Levy分布，为跳跃系数，和分别表示当前个体位置和更新后的位置，表示历史最优位置，表示当前种群的平均位置，为向下取整操作，为[0,1]范围内的随机数；步骤P33：发展阶段，种群角色包括领导者、探索者、跟随者和失败者，定义适应度高的个体为领导者，探索更优的区域，得到探索成功的成功策略，所用公式如下： ；式中，表示容易度系数，为指数函数，为介于[0,1]之间的随机数，为局势的评估值，代表根据确定的一个基础调整量，为生成一个维度为的行向量，行向量的值全为1；定义探索未知区域的个体为探索者，寻找全局最优解，远离当前最差解；定义领导者附近的个体为跟随者，学习并采纳成功策略；定义适应度低的个体为失败者并淘汰，使用繁殖机制在补充种群。

全文数据：

权利要求：

百度查询： 阿尔麦德智慧医疗(湖州)有限公司 基于AI移动医疗超声造影图像分析与辅助系统