申请/专利权人：合肥工业大学

申请日：2024-04-01

公开（公告）日：2024-06-28

公开（公告）号：CN118260798A

主分类号：G06F21/62

分类号：G06F21/62;G06F21/60;G06F18/25;G06F18/213;G06V10/44;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：在审-公开

法律状态：2024.06.28#公开

摘要：本发明公开了一种基于深度学习的多模态医学数据的隐私保护方法，包括：1、基于同态加密原理对多模态医学数据进行加密；2、建立适用于BFV同态加密系统下的多模态数据特征提取的神经网络模型；3、通过所建立神经网络模型对多模态医学数据密文进行训练与异常识别；4、将异常识别的结果进行解密得到分析结果明文。本发明基于同态加密原理，结合深度学习技术，从而实现了多模态医学数据分析过程中的隐私保护。

主权项：1.一种基于深度学习的多模态医学数据的隐私保护方法，其特征在于，是按如下步骤进行：步骤1、获取当前次诊断下的多模态医学数据及其标签Y＝y1，y2，...，yI，...，yN}，其中，所述多模态医学数据是由医疗影像图片M＝{m1，m2，...，mi，...，mn}及其对应的医疗记录文本T构成，其中，mi表示当前次诊断下的第i张医学影像，n表示当前次诊断下的图像数量，yI表示当前次诊断下的多模态医学数据是否为第I类异常数据，若是，则令yI＝1，否则，令yI＝0，N表示异常数据的类别数量；步骤2、多模态医学数据的加密：以医学影像图片集M＝{m1，m2，...，mi，...，mn}、医疗记录文本T及其标签Y＝{y1，y2，...，yI，...，yN}作为明文；通过BFV全同态加密算法生成一个私钥sk与一个公钥pk，再利用所述公钥pk对所述明文进行加密，相应得到图片密文序列MX＝{mx1，mx2，...，mxi，...，mxn}、文本密文TX以及标签密文MY＝{my1，my2，...，myI，...，myN}；其中，mxi表示第i张医学影像mi加密后的图片密文，myI表示当前次诊断下的多模态医学数据是否为第I类异常数据的加密结果；步骤3、构建多模态医学数据隐私保护网络，用于对MX进行处理，得到到文本特征TX*；步骤4、所述数据融合子网络，包括：级联融合层与第二全连接层；步骤4.1、所述级联融合层利用式2得到的多模态融合向量xf：xf＝[MX*，TX*]2式2中，[·，·]表示级联操作；步骤4.2、所述多模态融合向量xf输入所述第二全连接层中，并输出密文形式下的预测结果mpy＝{mpy1，mpy2，...，mpyI，...，mpyN}，其中，mpyI表示当前次诊断下的密文形式的多模态医学数据为第I类异常数据的预测概率密文；步骤5、利用式3构建二元交叉熵Loss： 步骤6、利用梯度下降法对所述多模态医学数据隐私保护网络进行训练，并最小化所述二元交叉熵Loss，直到二元交叉熵Loss收敛为止，从而得到训练后的多模态医学数据隐私保护模型；步骤7、利用所述私钥sk对预测结果的密文mpy＝{mpy1，mpy2，...，mpyI，...，mpyN}进行解密，从而得到预测结果的明文py＝{py1，py2，...，pyI，...，pyN}，其中，pyI表示mpyI的明文，即当前次诊断下的多模态医学数据为第I类异常数据的概率明文；并将概率最大的异常类型作为当前次诊断下的多模态医学数据的异常类型。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于深度学习的多模态医学数据的隐私保护方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD