摘要
医学模型对医学图像数据的高效处理在协助医生进行医疗诊断的过程中扮演着关键作用。然而，训练出良好的医学图像模型需要强大的算力和丰富的训练数据，这对于资源有限的医院来说是很困难的。同时，由于医学图像通常包含患者敏感信息，模型训练的任务不能简单地利用公共云等开放平台进行。因此，如何选择一个安全且算力强大的平台去高效训练医学图像模型，以及如何收集大量的医学图像数据，同时在模型训练的过程中保护医学图像数据的隐私，仍然是一个开放的挑战。 为了解决上述问题，本文利用区块链具有去中心化、匿名性、不可篡改性等特点，提出了基于区块链的医学图像处理隐私保护解决方案，并针对两个不同的医学图像处理场景设计了两种基于区块链的医学图像处理隐私保护框架。 首先是医学图像融合场景，本文的目标是在保护某医院节点的本地数据集隐私的同时，利用区块链系统中算力强大的节点在该数据集上竞争训练出最优的医学图像融合模型。本文首先提出了一种基于CNN和Inception网络的医学图像融合模型。本文将提出的模型整合到区块链的共识机制过程中，使每个节点可以将其算力全部投入到有意义的融合模型训练工作中。特别地，本文引入了全同态加密技术实现了基于加密数据集的医学图像融合模型的训练。 其次是医学图像检测场景，本文的目标是在保护各医院节点的本地数据隐私的同时，利用区块链平台组织各医院节点的计算资源和数据资源协同训练一个优质的医学图像检测模型。本文首先重点提出了一个轻量级加密工具NDD-FE来保护局部梯度的隐私。本文进一步引入了DGC算法来压缩局部梯度以降低通信成本。 同时，本文重构区块结构，编写智能合约实现了两个场景的激励机制。最后，本文实现了所提出的框架，并进行了大量的实验测试。安全性分析和实验结果表明，本文的方案是有效且安全的，与其他先进的医学图像处理方案相比，本文的方案具有增强的安全性、良好的准确性和高效率。
NETL