面向跨风格多中心超声图像分类的领域对抗联邦学习方法

本申请涉及图像分类技术领域，特别涉及一种面向跨风格多中心超声图像分类的领域对抗联邦学习方法，其中，方法包括：采集多个中心的胎儿超声图像数据，建立多域图像数据集，并基于预设标准的联邦学习框架构建本地和全局模型，设计基础特征提取网络，并初始化本地模型；在本地训练过程中，引入领域对抗模块并设计奇异值分解为基础的语义一致性对齐模块，并在完成每轮本地训练与特征对齐后，进行全局模型聚合，并进入下一轮训练，直至生成兼具隐私保护与跨域泛化能力的联邦学习医学图像分类模型。由此，解决了传统的超声图像分类方法由于采用集中式训练架构且超声图像在不同采集中心之间存在显著的风格差异，导致无法保证数据安全性，难以有效适应跨风格多中心的非独立同步图像数据的问题。