资源类型：
收录情况：
◇ 统计源期刊
文章类型：
机构：
[1]上海交通大学医学院附属同仁医院
出处：
ISSN：
关键词：
联邦学习
迁移学习
异构信息
医学图像
智能分类
摘要：
为了实现对异构医学图像的准确分类，研究提出了一种异构医学图像分类系统。该系统以密集连接卷积网络为骨干网络，并结合了联邦对比学习和增强迁移学习以提高分类性能。结果显示，改进联邦对比学习模型在分类准确率、特异性、F1-measure和敏感性方面均优于其他算法。具体而言，改进联邦对比学习的分类准确率平均为92.7%,特异性为89.7%,F1-measure为78.3%,敏感性为79.8%。此外，消融实验表明，增强迁移学习对模型性能的影响最大，去除后性能显著下降。不同阈值的实验结果也显示，第一/二训练阶段的阈值为0.7/0.9时，模型性能最佳。上述结果表明，研究提出的异构医学图像分类具有具备良好的分类性能，为异构信息的分类提供了有力参考。
第一作者：
第一作者机构：
[1]上海交通大学医学院附属同仁医院
推荐引用方式(GB/T 7714)：
刘炜.基于联邦算法的异构信息智能分类及系统研究[J].自动化与仪器仪表.2025,(06):97-101.
