[go: up one dir, main page]

CN114927200B - 一种基于区块链的医疗影像数据人工智能检测方法 - Google Patents

一种基于区块链的医疗影像数据人工智能检测方法 Download PDF

Info

Publication number
CN114927200B
CN114927200B CN202210449248.0A CN202210449248A CN114927200B CN 114927200 B CN114927200 B CN 114927200B CN 202210449248 A CN202210449248 A CN 202210449248A CN 114927200 B CN114927200 B CN 114927200B
Authority
CN
China
Prior art keywords
medical institution
medical
data
server
blockchain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210449248.0A
Other languages
English (en)
Other versions
CN114927200A (zh
Inventor
盖珂珂
陈思源
祝烈煌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing
Beijing Institute of Technology BIT
Original Assignee
Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing, Beijing Institute of Technology BIT filed Critical Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing
Priority to CN202210449248.0A priority Critical patent/CN114927200B/zh
Publication of CN114927200A publication Critical patent/CN114927200A/zh
Application granted granted Critical
Publication of CN114927200B publication Critical patent/CN114927200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H04L63/0442—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply asymmetric encryption, i.e. different keys for encryption and decryption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3247—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
    • H04L2209/88—Medical equipments

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种基于区块链的医疗影像数据人工智能检测方法，属于区块链应用技术领域。本方法利用人工智能目标检测技术辅助医生诊断，实现了安全的医疗影像数据共享，医疗影像数据训练参数被匿名存储在区块链上，除服务器外，任意医疗结构无法得其他医疗结构的医疗影像数据信息。由于数据存储在区块链上，防止了信息被篡改，保证了数据的真实性。同时，本方法能够节省链上存储空间和带宽。根据所述方法，各医疗结构将训练参数上传而非医疗影像数据本身，实现全局参数更新，避免了海量医疗影像数据的上传。

Description

一种基于区块链的医疗影像数据人工智能检测方法
技术领域
本发明涉及一种基于区块链的医疗影像数据人工智能检测方法，属于区块链应用技术领域。
背景技术
医疗机构工作十分繁忙，每天需要接诊大量病人，同时每日产生大量的医学数据。在医疗影像数据中，影像数据占数据总量的90％以上，并以超过30％的年增长速度迅速增加。随着医疗检测设备的不断完善和更新换代，医疗影像数据急剧增长同医生数量缓慢增长形成鲜明反差。阅读分析CT(计算机断层扫描)等工作对医生造成的负担日益加剧，容易造成用眼疲劳，影响诊断的准确性。因此，利用计算机辅助诊断、使用基于人工智能的目标检测技术帮助医生做出判断，对于减轻医生负担、增加诊断准确率、提高就诊效率具有重要的意义。
目标检测技术，因其广泛的现实应运用场景，备受学术界和工业界关注。目标检测技术，主要是通过检测和分类，提取出检测对象中预定目标的位置、类别等相关信息。随着计算机算力的不断提升，目标检测技术也得到了蓬勃发展，并衍化出双阶段和单阶段两大类。
双阶段算法，是在基于特征提取的基础上，在目标对象上生成候选区域，再对其区域进行分类和回归，用矩形框确定准确位置信息并判定类别。双阶段类算法具有较高的精度。Faster R-CNN，R-FCN和FPN等都属于双阶段。在双阶段类算法中，R-CNN是最早的深度学习目标检测算法，显著提升了目标检测平均精准度(mean Average Precison，mAP)。He等人通过引入空间金字塔池化层(Spatial Pyramid Pooling,SPP)提出了SPP-NET，检测效率较R-CNN大幅提高。Fast R-CNN改进了R-CNN的池化核，将候选区域映射成统一尺度的特征向量，提高了模型训练效率。
单阶段算法，是一次性实现候选区域的生成、分类和回归，YOLO、SSD和RetinaNet等均属于单阶段目标检测算法。YOLO网络结构简单，具有速度快、实时性较好的特点，是单阶段类算法的代表。SSD通过对不同卷积层预设锚盒提取特征，优化了对多尺度目标的检测。YOLOv3延续了之前darknet结构的使用，同时引入残差结构，提高了小尺度目标的检测精度。因此，总体看来，单阶段类算法具有较高的效率。
然而，对于目标检测而言，确保预测精准的必要前提是需要大量准确数据。如果训练样本过小，会导致学习效果不佳。而错误的数据，更可能产生误导性的结果。
为了获得大量医疗影像数据，在医疗机构、研究中心等机构间共享医疗影像数据是一种简单高效的解决方案。但是，目前中心化的医疗存储数据方案不利于数据分享，并存在倒卖数据的风险，更不利于患者的病情等隐私情况的保护。
发明内容
本发明的目的是针对现有技术存在的缺陷和不足，为解决医疗影像数据存在利用不充分、信息共享困难等技术问题，创新性地提出一种基于区块链的医疗影像数据人工智能检测方法。
首先，对本发明涉及的有关内容进行解释说明。
定义1：目标检测
是指通过检测和分类提取出检测对象中预定目标的位置、类别等所需信息。
定义2：医疗机构
是指为病员开展必要的医学检查、诊断救治等服务的机构，是医疗影像数据的来源，同时，也包括产生相关医疗影像数据的研究所等机构。
定义3：区块链
是指利用分布式存储、数字签名等技术实现的具有去中心化、不可篡改、可溯源的分布式账本。
定义4：智能合约
是指以信息化方式传播、验证或执行合同的计算机协议，区块链中的智能合约由脚本语言编写，忠实地按照既定的规则执行代码，无需认为干预。
定义5：哈希函数
是指能够把任意长度的输入(又叫做函数前像)映射成固定长度输出(即散列值)的函数。哈希函数是现代密码学的基本构件之一，具有单向性、抗碰撞性等特点。
定义6：数字签名
是指利用公钥密码技术对数字信息进行署名，生成只有信息发送者才能产生的无法伪造的一段数字串，这段数字串同时也是对信息发送者发送信息真实性的有效证明。
定义7：工作量证明共识机制
是指用户进行耗时适当的复杂运算，并且答案能被服务方快速验算，以此耗用的时间、设备与能源作为担保成本，以确保服务与资源是被真正的需求所使用，通过工作量证明共识可以评价医疗机构在医疗影像数据共享中的贡献度。
本发明采用以下技术方案实现。
一种基于区块链的医疗影像数据人工智能检测方法，包括以下步骤：
步骤1：初始化。
医疗机构生成公私钥对，并将各自公钥以广播方式告知其他的医疗机构和服务器。
步骤2：明确任务。
充分利用各医疗机构的医疗影像数据并形成数据集，训练得到全局模型。对于某一训练任务，由服务器对任务进行定义和细分。
步骤3：分发训练任务。
服务器确定训练任务后进行任务分发(如CT诊断任务)。
首先为每一个医疗机构生成临时会话密钥。服务器会话密钥和训练任务用各医疗机构的公钥加密后，发送给对应的医疗机构。
步骤4：本地学习。
各医疗机构在本地运用目标检测算法训练其模型，并在本地更新参数。
步骤5：上传本地更新参数。
各医疗机构将本地更新的参数使用临时会话密钥进行加密，并将加密后的训练参数上传至区块链。
步骤6：更新全局参数。
服务器解密区块链中各医疗机构的本地更新参数，并将其聚合形成全局参数。
步骤7：辅助诊断。
各医疗机构将需要执行的诊断任务通过智能合约发送给服务器，服务器判断后由智能合约对辅助诊断结果的准确性进行预估，当准确性超过阈值时将正确结果返回医疗机构，否则返回FALSE。
步骤8：请求数据。
某医疗机构向其他医疗机构请求医疗影像数据，将请求签名发给智能合约，合约验证后将请求转发对应的医疗机构，随后向请求方返回医疗影像数据。
有益效果
本发明方法，与现有技术相比，具有如下有益效果：
1.本方法能够实现安全的医疗影像数据共享。医疗影像数据训练参数被匿名存储在区块链上，除了服务器外，任意医疗机构无法得其他医疗机构的医疗影像数据信息。同时，由于数据存储在区块链上，防止了信息被篡改，保证了数据的真实性。
2.本方法能够节省链上存储空间和带宽。各医疗机构将训练参数上传而非医疗影像数据本身，实现全局参数更新的同时避免了海量医疗影像数据的上传。
附图说明
图1为本发明方法的示意图；
图2为本发明方法中申请服务器诊断流程示意；
图3为本发明方法中申请数据流程示意。
具体实施方式
下面结合附图对本发明方法的具体实施过程做进一步详细说明。
如图1所示，详细阐述了充分利用各医疗机构的数据，在众多医疗机构参与的情况下形成海量的数据集，从而得到更好的全局训练模型的基于区块链的人工智能医疗影像数据检测模型示意图。
一种基于区块链的医疗影像数据人工智能检测方法，包括以下步骤：
步骤1：初始化。
医疗机构生成公私钥对，并将各自公钥以广播方式告知其他的医疗机构和服务器。
具体地，各医疗机构生成公私钥{PKj，SKj}{j＝1,2,···,K}，PKj代表第j家医疗机构的公钥，SKj代表第j家医疗机构的私钥，K表示一共有K家医疗机构，并将各自公钥以广播方式告知其他医疗机构和服务器。
步骤2：明确任务。
为了充分利用各医疗机构的医疗影像数据，在众多机构参与的情况下形成海量的数据集，从而训练得到更好的全局模型。
对于某一训练任务，服务器对任务进行定义和细分，可以包括明确学习对象、相关设备、应用类型(如CT图)、训练集格式、训练模型(如卷积神经网络)、训练要求(如学习率)等。
步骤3：分发训练任务。
服务器确定训练任务txt，txt表示第t个任务，并进行任务分发(以CT诊断为例)。
首先，为每一个医疗机构生成临时会话密钥sk代表临时会话密钥，下标j表示第j家医疗机构，上标txt表示第t个任务，K表示一共有K家医疗机构；服务器会话密钥和训练任务用各医疗机构的公钥PKj加密后，发送给对应的医疗机构。
步骤4：本地学习。
各医疗机构在本地运用目标检测算法训练其模型，并在本地更新参数data代表训练的参数，下标j为医疗机构编号，上标txt为任务编号。
步骤5：上传本地更新参数。
各医疗机构将本地更新的参数使用临时会话密钥进行加密，并将训练参数加密，得到加密后的密文并将上传至区块链。||代表级联，代表对进行哈希运算后的结果。
步骤6：更新全局参数。
服务器利用临时会话密钥解密区块链中各医疗机构的本地更新参数，并将其聚合形成全局参数。
步骤7：进行辅助诊断。
如图2所示，设医疗机构H需服务器对的医疗影像图(如CT图)x0进行诊断，得到诊断结果y0。x表示医疗影像图，下标为医疗影像图的序号，0序号代表还没有进行诊断；y表示诊断结果，下标为诊断结果的序号，0序号代表还没有进行诊断。
为了不暴露患者隐私，医疗机构H不想服务器知道需要诊断的具体为哪张医疗影像图，为此，引入医疗影像图{x1,x2,···，xm}作为混淆输入，非0序号代表已诊断。{x1,x2,···，xm}对应诊断结果{y1,y2,···，ym}；{x0,{x1,y1},{x2,y2},···,{xm,ym}}被医疗机构H提交至智能合约，智能合约再将{x1,x2,···，xm}发送服务器。
由于没有收到{y1,y2,···，ym}，服务器无法识别真实需要判断的医疗影像图x0，将无差别地对所有输入进行判断，并将所有判断结果{y′1,y′2,···,y′m}返回智能合约，y′m代表服务器对医疗影像图xm的预测结果。此时，设y′i＝yi的个数为n，则y′i≠yi的个数为m-t，认为预测准确率为n/m。设智能合约判断阈值为M，当n/m>M时，智能合约向医疗机构H返回y0，否则返回false。
各医疗机构将需诊断的医疗影像图通过智能合约发送给服务器，服务器判断后由智能合约对诊断结果的准确性进行预估，当准确性超过阈值时将正确结果返回医疗机构，否则返回false。
步骤8：请求数据。
某医疗机构向其他医疗机构请求医疗影像数据，将请求签名发给智能合约。合约验证后将请求转发对应医疗机构，随后向请求方返回医疗影像数据。
如图3所示。每个区块对应某一学习任务，区块txi对应第i个任务txi。设医疗机构A希望得到区块txi上医疗机构B的数据dataB，向智能合约发送请求SKA(request)。request表示医疗机构A的请求，SKA(request)表示用医疗机构A的私钥SKA对请求request进行数字签名。
智能合约验证医疗机构A的签名后，转发请求request至医疗机构B。医疗机构B将区块链上对应数据解密，使用医疗机构的公钥PKA加密dataB，并用自己的私钥SKB签名后发送给智能合约。
随后，智能合约验证签名并转发医疗机构A，医疗机构A使用自己的私钥SKA解密得到data′B，data′B表示医疗机构A解密医疗机构B数据后得到的数据。医疗机构A对解密后的数据data′B进行哈希运算。
比较结果h(data′B)与链上数据是否一致，如果一致，则说明医疗机构B交付了真实数据，否则说明数据被篡改。其中，h(data′B)代表对data′B进行哈希运算。

Claims (5)

1.一种基于区块链的医疗影像数据人工智能检测方法，其特征在于，包括以下步骤：
步骤1：初始化；医疗机构生成公私钥对，并将各自公钥以广播方式告知其他的医疗机构和服务器；
步骤2：明确任务；充分利用各医疗机构的医疗影像数据并形成数据集，训练得到全局模型；对于某一训练任务，由服务器对任务进行定义和细分；
步骤3：分发训练任务；首先为每一个医疗机构生成临时会话密钥；服务器会话密钥和训练任务用各医疗机构的公钥加密后，发送给对应的医疗机构；
步骤4：本地学习；各医疗机构在本地运用目标检测算法训练其模型，并在本地更新参数；
步骤5：上传本地更新参数；各医疗机构将本地更新的参数使用临时会话密钥进行加密，并将加密后的训练参数上传至区块链；
步骤6：更新全局参数；服务器解密区块链中各医疗机构的本地更新参数，并将其聚合形成全局参数；
步骤7：进行辅助诊断；各医疗机构将需要执行的诊断任务通过智能合约发送给服务器，服务器判断后由智能合约对辅助诊断结果的准确性进行预估，当准确性超过阈值时将正确结果返回医疗机构，否则返回FALSE；
步骤8：请求数据；某医疗机构向其他医疗机构请求医疗影像数据，将请求签名发给智能合约，合约验证后将请求转发对应的医疗机构，随后向请求方返回医疗影像数据。
2.如权利要求1所述的一种基于区块链的医疗影像数据人工智能检测方法，其特征在于，步骤2中，对于某一训练任务，服务器对任务进行定义和细分，包括明确学习对象、相关设备、应用类型、训练集格式、训练模型和训练要求。
3.如权利要求1所述的一种基于区块链的医疗影像数据人工智能检测方法，其特征在于，服务器确定训练任务txt，txt表示第t个任务，并进行任务分发；首先，为每一个医疗机构生成临时会话密钥sk代表临时会话密钥，下标j表示第j家医疗机构，上标txt表示第t个任务，K表示一共有K家医疗机构；服务器会话密钥和训练任务用各医疗机构的公钥PKj加密后，发送给对应的医疗机构；
各医疗机构在本地运用目标检测算法训练其模型，并在本地更新参数data代表训练的参数，下标j为医疗机构编号，上标txt为任务编号；
各医疗机构将本地更新的参数使用临时会话密钥进行加密，并将训练参数加密，得到加密后的密文并将上传至区块链；||代表级联，代表对进行哈希运算后的结果；
服务器利用临时会话密钥解密区块链中各医疗机构的本地更新参数，并将其聚合形成全局参数。
4.如权利要求1所述的一种基于区块链的医疗影像数据人工智能检测方法，其特征在于，步骤7中，设医疗机构H需服务器对的医疗影像图x0进行诊断，得到诊断结果y0；x表示医疗影像图，下标为医疗影像图的序号，0序号代表还没有进行诊断；y表示诊断结果，下标为诊断结果的序号，0序号代表还没有进行诊断；
为不暴露患者隐私，医疗机构H不想服务器知道需要诊断的具体为哪张医疗影像图，为此，引入医疗影像图{x1，x2，…，xm}作为混淆输入，非0序号代表已诊断；{x1，x2，…，xm}对应诊断结果{y1，y2，…，ym}；{x0，{x1，y1}，{x2，y2}，…，{xm，ym}}被医疗机构H提交至智能合约，智能合约再将{x1，x2，…，xm}发送服务器；
由于没有收到{y1，y2，…，ym}，服务器无法识别真实需要判断的医疗影像图x0，将无差别地对所有输入进行判断，并将所有判断结果{y′1，y′2，…，y′m}返回智能合约，y′m代表服务器对医疗影像图xm的预测结果；此时，设y′i＝yi的个数为n，则y′i≠yi的个数为m-t，认为预测准确率为n/m；设智能合约判断阈值为M，当n/m＞M时，智能合约向医疗机构H返回y0，否则返回false；
各医疗机构将需诊断的医疗影像图通过智能合约发送给服务器，服务器判断后由智能合约对诊断结果的准确性进行预估，当准确性超过阈值时将正确结果返回医疗机构，否则返回false。
5.如权利要求1所述的一种基于区块链的医疗影像数据人工智能检测方法，其特征在于，步骤8中，每个区块对应某一学习任务，区块txi对应第i个任务txi；
设医疗机构A希望得到区块txi上医疗机构B的数据dataB，向智能合约发送请求SKA(request)；request表示医疗机构A的请求，SKA(request)表示用医疗机构A的私钥SKA对请求request进行数字签名；
智能合约验证医疗机构A的签名后，转发请求request至医疗机构B；医疗机构B将区块链上对应数据解密，使用医疗机构的公钥PKA加密dataB，并用自己的私钥SKB签名后发送给智能合约；
随后，智能合约验证签名并转发医疗机构A，医疗机构A使用自己的私钥SKA解密得到data′B，data′B表示医疗机构A解密医疗机构B数据后得到的数据；医疗机构A对解密后的数据data′B进行哈希运算；
比较结果h(data′B)与链上数据是否一致，如果一致，则说明医疗机构B交付了真实数据，否则说明数据被篡改；其中，h(data′B)代表对data′B)进行哈希运算。
CN202210449248.0A 2022-04-24 2022-04-24 一种基于区块链的医疗影像数据人工智能检测方法 Active CN114927200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210449248.0A CN114927200B (zh) 2022-04-24 2022-04-24 一种基于区块链的医疗影像数据人工智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210449248.0A CN114927200B (zh) 2022-04-24 2022-04-24 一种基于区块链的医疗影像数据人工智能检测方法

Publications (2)

Publication Number Publication Date
CN114927200A CN114927200A (zh) 2022-08-19
CN114927200B true CN114927200B (zh) 2025-03-04

Family

ID=82807236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210449248.0A Active CN114927200B (zh) 2022-04-24 2022-04-24 一种基于区块链的医疗影像数据人工智能检测方法

Country Status (1)

Country Link
CN (1) CN114927200B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112951356A (zh) * 2021-03-23 2021-06-11 电子科技大学 一种基于联盟链的跨模态医疗数据联合共享方法
CN113870999A (zh) * 2020-12-15 2021-12-31 广东德澳智慧医疗科技有限公司 基于算法、医学影像和区块链的远程疾病智能诊断系统和辅助诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107426170B (zh) * 2017-05-24 2019-08-09 阿里巴巴集团控股有限公司 一种基于区块链的数据处理方法及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870999A (zh) * 2020-12-15 2021-12-31 广东德澳智慧医疗科技有限公司 基于算法、医学影像和区块链的远程疾病智能诊断系统和辅助诊断方法
CN112951356A (zh) * 2021-03-23 2021-06-11 电子科技大学 一种基于联盟链的跨模态医疗数据联合共享方法

Also Published As

Publication number Publication date
CN114927200A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
Kalapaaking et al. Blockchain-based federated learning with SMPC model verification against poisoning attack for healthcare systems
Rathore et al. A blockchain-based deep learning approach for cyber security in next generation industrial cyber-physical systems
Zheng et al. Learning the truth privately and confidently: Encrypted confidence-aware truth discovery in mobile crowdsensing
CN108712260B (zh) 云环境下保护隐私的多方深度学习计算代理方法
Cai et al. A many-objective optimization based federal deep generation model for enhancing data processing capability in IoT
CN113836556B (zh) 面向联邦学习的去中心化函数加密隐私保护方法及系统
CN111241567A (zh) 基于秘密共享的纵向联邦学习方法、系统及存储介质
WO2020134704A1 (zh) 基于联邦学习的模型参数训练方法、终端、系统及介质
CN112100295A (zh) 基于联邦学习的用户数据分类方法、装置、设备及介质
CN107147720B (zh) 一种云存储数据共享中可追踪的有效公开审计方法和系统
CN115563650A (zh) 基于联邦学习实现医疗数据的隐私保护系统
Bi et al. Edge-cooperative privacy-preserving object detection over random point cloud shares for connected autonomous vehicles
CN113240129A (zh) 一种面向多类型任务图像分析的联邦学习系统
WO2023124219A1 (zh) 一种联合学习模型迭代更新方法、装置、系统及存储介质
CN111159727B (zh) 一种面向多方协同的贝叶斯分类器安全生成系统及方法
CN117058088B (zh) 一种基于智能合约和自注意力的covid-19病灶预测系统
Xiang et al. BMIF: Privacy-preserving blockchain-based medical image fusion
WO2023134070A1 (zh) 去中心的联邦聚类方法、装置、电子设备及存储介质
CN111243698A (zh) 一种数据安全共享方法、存储介质和计算设备
Yang et al. Federated medical learning framework based on blockchain and homomorphic encryption
Wang et al. Blockchain-empowered federated learning through model and feature calibration
Zhao et al. Practical privacy-preserving convolutional neural network inference framework with edge computing for health monitoring
Yang et al. Privacy-preserving machine learning in cloud–edge–end collaborative environments
CN116776376A (zh) 一种基于联邦学习的元宇宙隐私保护方法
CN114927200B (zh) 一种基于区块链的医疗影像数据人工智能检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant