一种基于联邦学习的医学图像配准方法

本发明涉及医学图像处理技术领域，公开了一种基于联邦学习的医学图像配准方法，包括以下步骤：步骤一，数据准备与本地训练各参与机构对本地的浮动图像和固定图像进行预处理，将预处理后的图像输入本地深度学习模型，该模型采用卷积神经网络生成变形场，利用生成的变形场对浮动图像进行插值变换，得到变形图像，基于固定图像、变形图像和变形场计算损失函数，通过梯度下降优化算法更新本地模型参数。通过联邦学习允许各医院和机构在本地独立进行模型训练，只有加密后的模型参数或更新会被传输到中央服务器，大幅减少对原始数据的需求，避免了原始医学图像数据的直接传输和集中存储，有效防止了患者敏感信息的泄露，降低了隐私泄露风险。