CN114334092B - 医用影像ai模型的管理方法及设备 - Google Patents
医用影像ai模型的管理方法及设备 Download PDFInfo
- Publication number
- CN114334092B CN114334092B CN202111578239.3A CN202111578239A CN114334092B CN 114334092 B CN114334092 B CN 114334092B CN 202111578239 A CN202111578239 A CN 202111578239A CN 114334092 B CN114334092 B CN 114334092B
- Authority
- CN
- China
- Prior art keywords
- model
- customized
- training data
- user
- image
- 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
Links
- 238000007726 management method Methods 0.000 title claims description 9
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种医用影像AI模型的管理方法及设备,方法包括:接收用户发送的训练数据,解析训练数据,得到生成训练数据所需的模型参数,在预先建立的模型库中确定与模型参数匹配度高于预设阈值的模型,基于训练数据对匹配的模型进行定制化训练,得到定制化模型。由于本申请中的模型库包括多个按照预设维度进行分类的模型。根据用户发送的训练数据在模型库中确定高匹配度的模型,再根据用户提供的训练数据进行定制化训练,由于从模型库中确定的模型本身与训练数据具有高匹配度,所以只需少量训练数据便可以得到用户的定制化模型。
Description
技术领域
本申请涉及模型管理技术领域,尤其涉及一种医用影像AI模型的管理方法及设备。
背景技术
评价医用影像AI模型的两个基本维度是敏感性和特异性。每个AI模型都希望只使用一个模型就能取得敏感性、特异性双高的临床效果,以便达到最高程度的产品化。但由于扫描设备的成像原理差异,以及扫描方案的差异,使用单一模型进行数据训练,即便数据量很大(几万甚至十几万例)的情况下,仍会顾此失彼,很难取得在广泛场景下的敏感性、特异性双高的效果。现有技术中一些医疗机构开发了个性化的影像AI模型,只针对本机构的某个型号的设备,以及固定的扫描方案。在这种前提下,只要数据标注精确,即便在非常有限的训练集下(300-500例),也可以取得敏感性、特异性双高的特点。但这种方法的缺点是鲁棒性差,迁移算法的时候仍然需要拿新用户的大量数据进行重新标注和训练才能适应。
发明内容
为至少在一定程度上克服相关技术中即使是敏感性、特异性双高的个性化模型在处理新用户数据时依然需要重新进行大量训练的问题,本申请提供一种医用影像AI模型的管理方法及设备。
本申请的方案如下:
根据本申请实施例的第一方面,提供一种医用影像AI模型的管理方法,包括:
接收用户发送的训练数据;
解析所述训练数据,得到生成所述训练数据所需的模型参数;
在预先建立的模型库中确定与所述模型参数匹配度高于预设阈值的模型;所述模型库包括多个按照预设维度进行分类的模型;
基于训练数据对所述匹配的模型进行定制化训练,得到定制化模型;
将定制化模型发送给所述用户。
优选的,在本申请一种可实现的方式中,还包括:
基于影像设备类型、扫描部位类型、影像设备品牌、型号、版本数据、影像扫描方案和图像完整度,对现有AI模型进行分类,建立所述模型库。
优选的,在本申请一种可实现的方式中,所述训练数据中包括多张医学数字成像和通信(Digital Imaging and Communications in Medicine,DICOM)标准图像;
所述解析所述训练数据,得到生成所述训练数据所需的模型参数,包括:
基于DICOM文件头工具解析所述训练数据,得到生成所述训练数据所需的影像设备类型、扫描部位类型、影像设备品牌、型号、版本数据、影像扫描方案和图像完整度。
优选的,在本申请一种可实现的方式中,还包括:
若所述模型库中的模型与所述模型参数的匹配度均低于所述预设阈值,则接收所述用户录入的更新后的模型参数。
优选的,在本申请一种可实现的方式中,还包括:
根据所述更新后的模型参数重新在所述模型库中确定与所述更新后的模型参数匹配度高于预设阈值的模型。
优选的,在本申请一种可实现的方式中,所述基于训练数据对所述匹配的模型进行定制化训练后,所述方法还包括:
在所述模型库中确定与所述定制化模型的模型参数匹配度高于预设阈值的模型,作为所述定制化模型的近似模型;
将所述定制化模型的运行数据输入到所述近似模型中进行运行;
根据所述近似模型的输出结果判断所述近似模型和所述定制化模型的模型差异;
将模型差异小于预设值的所述近似模型和所述定制化模型进行合并;
将合并后新生成的模型存储到所述模型库。
优选的,在本申请一种可实现的方式中,还包括:
将所述合并后新生成的模型发送给所述用户。
根据本申请实施例的第二方面,提供一种医用影像AI模型的管理设备,包括:
接收模块,用于接收用户发送的训练数据;
解析模块,用于解析所述训练数据,得到生成所述训练数据所需的模型参数;
确定模块,用于在预先建立的模型库中确定与所述模型参数匹配度高于预设阈值的模型;所述模型库包括多个按照预设维度进行分类的模型;
训练模块,用于基于训练数据对所述匹配的模型进行定制化训练,得到定制化模型;
发送模块,用于将定制化模型发送给所述用户。
本申请提供的技术方案可以包括以下有益效果:本申请中的医用影像AI模型的管理方法,包括:接收用户发送的训练数据,解析训练数据,得到生成训练数据所需的模型参数,在预先建立的模型库中确定与模型参数匹配度高于预设阈值的模型,基于训练数据对匹配的模型进行定制化训练,得到定制化模型。由于本申请中的模型库包括多个按照预设维度进行分类的模型。根据用户发送的训练数据在模型库中确定高匹配度的模型,再根据用户提供的训练数据进行定制化训练,由于从模型库中确定的模型本身与训练数据具有高匹配度,所以只需少量训练数据便可以得到用户的定制化模型。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种医用影像AI模型的管理方法的流程示意图;
图2是本申请一个实施例提供的一种医用影像AI模型的管理设备的结构示意图。
附图标记:接收模块-21;解析模块-22;确定模块-23;训练模块-24;发送模块-25。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
一种医用影像AI模型的管理方法,参照图1,包括:
S11:接收用户发送的训练数据;
S12:解析训练数据,得到生成训练数据所需的模型参数;
解析训练数据,得到生成训练数据所需的模型参数,包括:
基于DICOM文件头工具解析训练数据,得到生成训练数据所需的影像设备类型、扫描部位类型、影像设备品牌、型号、版本数据、影像扫描方案和图像完整度。
S13:在预先建立的模型库中确定与模型参数匹配度高于预设阈值的模型;模型库包括多个按照预设维度进行分类的模型;
预设阈值可以设置为95%以上,与模型参数匹配度高于预设阈值的模型即为高匹配度模型。
本实施例中,基于影像设备类型、扫描部位类型、影像设备品牌、型号、版本数据、影像扫描方案和图像完整度对现有AI进行分类,建立模型库。
不同类型的AI模型如CT/MR/MA/XR/RF/DR等,因成像原理完全不同,基本不存在通用AI方案的可能性,所以需要进行分类。
模型对应扫描部位类型如脑部/胸腔等,因为多个***位可能使用的扫描参数一致,多个扫描部位可合并一个扫描部位类型。在计算匹配度时模型对应扫描部位类型所占比重可以适当降低。
模型品牌型号版本数据如SIEMENS的MR1.5、Philips的MR1.5等,因为某些AI模型对图像有特定开发和大数据分析,所以本实施例还将模型品牌型号版本数据作为划分模型的维度。
模型扫描方案如对图像进行扫描时的层厚、层数、扫描方位、是否增强造影、信号类型和强度、重复次数等控制信息。以MR为例,相同的扫描参数,通过延长扫描时间、增加重复采样的次数可以大大提高信噪比,所以模型扫描方案可能严重影响AI模型的风格,需要进行分类。
模型的成像完整度,包括不同AI对应的AI序列类型、说明等要求。
S14:基于训练数据对匹配的模型进行定制化训练,得到定制化模型;
S15:将定制化模型发送给用户。
本实施例中的医用影像AI模型的管理方法,包括:接收用户发送的训练数据,解析训练数据,得到生成训练数据所需的模型参数,在预先建立的模型库中确定与模型参数匹配度高于预设阈值的模型,基于训练数据对匹配的模型进行定制化训练,得到定制化模型。由于本实施例中的模型库包括多个按照预设维度进行分类的模型。根据用户发送的训练数据在模型库中确定高匹配度的模型,再根据用户提供的训练数据进行定制化训练,由于从模型库中确定的模型本身与训练数据具有高匹配度,所以只需少量训练数据便可以得到用户的定制化模型。
一些实施例中的医用影像AI模型的管理方法,还包括:
若模型库中的模型与模型参数的匹配度均低于预设阈值,则接收用户录入的更新后的模型参数。
进一步的,方法还包括:根据更新后的模型参数重新在模型库中确定与更新后的模型参数匹配度高于预设阈值的模型。
因为一个模型里边往往会包含多个子模型,每个子模型针对特殊的扫描序列发挥作用。所以如果模型参数不匹配,那么模型肯定无法正确运行。
本实施例中,若模型库中的模型与模型参数的匹配度均低于预设阈值,则接收用户录入的更新后的模型参数,则用户可以提供一个新的模型参数方案,本实施例中根据用户提供的更新后的模型参数重新在模型库中确定与更新后的模型参数匹配度高于预设阈值的模型。
一些实施例中的医用影像AI模型的管理方法,基于训练数据对匹配的模型进行定制化训练后,方法还包括:
在模型库中确定与定制化模型的模型参数匹配度高于预设阈值的模型,作为定制化模型的近似模型;
将定制化模型的运行数据输入到近似模型中进行运行;
根据近似模型的输出结果判断近似模型和定制化模型的模型差异;
将模型差异小于预设值的近似模型和定制化模型进行合并;
将合并后新生成的模型存储到模型库。
进一步的,方法还包括:
将合并后新生成的模型发送给用户。
本实施例中,还在模型库中寻找与定制化模型相近的几种近似模型,对它们施加定制化模型上运行过的数据并对比运算结果。优选的,如果两种模型的当中的分类差异为2%以内,分割模型的差异5%以内,无论模型里边包含多少子模型,则可以认为差异很小,可以在模型库中予以合并管理。
优选的,本实施例还为模型库中的全部模型赋予唯一的PID编号。
在进行模型合并时,将近似模型的模型参数合并到定制化模型的模型参数中,以定制化模型的PID编号为主。
一种医用影像AI模型的管理设备,参照图2,包括:
接收模块21,用于接收用户发送的训练数据;
解析模块22,用于解析训练数据,得到生成训练数据所需的模型参数;
确定模块23,用于在预先建立的模型库中确定与模型参数匹配度高于预设阈值的模型;模型库包括多个按照预设维度进行分类的模型;
训练模块24,用于基于训练数据对匹配的模型进行定制化训练,得到定制化模型;
发送模块25,用于将定制化模型发送给用户。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (4)
1.一种医用影像AI模型的管理方法,其特征在于,包括:
接收用户发送的训练数据;
解析所述训练数据,得到生成所述训练数据所需的模型参数;
在预先建立的模型库中确定与所述模型参数匹配度高于预设阈值的模型;所述模型库包括多个按照预设维度进行分类的模型;
若所述模型库中的模型与所述模型参数的匹配度均低于所述预设阈值,则接收所述用户录入的更新后的模型参数;
根据所述更新后的模型参数重新在所述模型库中确定与所述更新后的模型参数匹配度高于预设阈值的模型;
基于所述训练数据对所述匹配的模型进行定制化训练,得到定制化模型;
在所述模型库中确定与所述定制化模型的模型参数匹配度高于预设阈值的模型,作为所述定制化模型的近似模型;
将所述定制化模型的运行数据输入到所述近似模型中进行运行;
根据所述近似模型的输出结果判断所述近似模型和所述定制化模型的模型差异;
将模型差异小于预设值的所述近似模型和所述定制化模型进行合并;
将合并后新生成的模型存储到所述模型库;
将定制化模型发送给所述用户;
基于影像设备类型、扫描部位类型、影像设备品牌、型号、版本数据、影像扫描方案和图像完整度,对现有AI模型进行分类,建立所述模型库。
2.根据权利要求1所述的方法,其特征在于,所述训练数据中包括多张DICOM标准图像;
所述解析所述训练数据,得到生成所述训练数据所需的模型参数,包括:
基于DICOM文件头工具解析所述训练数据,得到生成所述训练数据所需的影像设备类型、扫描部位类型、影像设备品牌、型号、版本数据、影像扫描方案和图像完整度。
3.根据权利要求1所述的方法,其特征在于,还包括:
将所述合并后新生成的模型发送给所述用户。
4.一种医用影像AI模型的管理设备,其特征在于,包括:
接收模块,用于接收用户发送的训练数据;
解析模块,用于解析所述训练数据,得到生成所述训练数据所需的模型参数;
确定模块,用于在预先建立的模型库中确定与所述模型参数匹配度高于预设阈值的模型;所述模型库包括多个按照预设维度进行分类的模型;若所述模型库中的模型与所述模型参数的匹配度均低于所述预设阈值,则接收所述用户录入的更新后的模型参数;根据所述更新后的模型参数重新在所述模型库中确定与所述更新后的模型参数匹配度高于预设阈值的模型;
训练模块,用于基于训练数据对所述匹配的模型进行定制化训练,得到定制化模型;
发送模块,用于将定制化模型发送给所述用户;
模型库建立模块,用于基于影像设备类型、扫描部位类型、影像设备品牌、型号、版本数据、影像扫描方案和图像完整度,对现有AI模型进行分类,建立所述模型库;
所述医用影像AI模型的管理设备还用于在所述模型库中确定与所述定制化模型的模型参数匹配度高于预设阈值的模型,作为所述定制化模型的近似模型;
将所述定制化模型的运行数据输入到所述近似模型中进行运行;
根据所述近似模型的输出结果判断所述近似模型和所述定制化模型的模型差异;
将模型差异小于预设值的所述近似模型和所述定制化模型进行合并;
将合并后新生成的模型存储到所述模型库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111578239.3A CN114334092B (zh) | 2021-12-22 | 2021-12-22 | 医用影像ai模型的管理方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111578239.3A CN114334092B (zh) | 2021-12-22 | 2021-12-22 | 医用影像ai模型的管理方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114334092A CN114334092A (zh) | 2022-04-12 |
CN114334092B true CN114334092B (zh) | 2023-04-07 |
Family
ID=81054397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111578239.3A Active CN114334092B (zh) | 2021-12-22 | 2021-12-22 | 医用影像ai模型的管理方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114334092B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884092A (zh) * | 2021-04-28 | 2021-06-01 | 深圳索信达数据技术有限公司 | Ai模型生成方法、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197664B (zh) * | 2018-01-24 | 2020-09-04 | 北京墨丘科技有限公司 | 模型获取方法、装置、电子设备及计算机可读存储介质 |
CN110148440B (zh) * | 2019-03-29 | 2023-06-30 | 北京汉博信息技术有限公司 | 一种医疗信息查询方法 |
CN110853740B (zh) * | 2019-11-07 | 2024-06-21 | 李真林 | 从dicom图像中提取影像扫描方案特征的***及方法 |
CN111899845B (zh) * | 2020-06-24 | 2024-02-20 | 北京赛迈特锐医疗科技有限公司 | 基于影像检查目的dicom图像路由管理***及方法 |
CN113408634B (zh) * | 2021-06-29 | 2022-07-05 | 深圳市商汤科技有限公司 | 模型推荐方法及装置、设备、计算机存储介质 |
-
2021
- 2021-12-22 CN CN202111578239.3A patent/CN114334092B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884092A (zh) * | 2021-04-28 | 2021-06-01 | 深圳索信达数据技术有限公司 | Ai模型生成方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114334092A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11423541B2 (en) | Assessment of density in mammography | |
US10755411B2 (en) | Method and apparatus for annotating medical image | |
US20180144244A1 (en) | Distributed clinical workflow training of deep learning neural networks | |
US20190279751A1 (en) | Medical document creation support apparatus, method, and program | |
US20220222932A1 (en) | Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus | |
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN110554958B (zh) | 图数据库测试方法、***、设备和存储介质 | |
CN108986085B (zh) | Ct图像肺结节检测方法、装置、设备及可读存储介质 | |
US20200194108A1 (en) | Object detection in medical image | |
CN108595657B (zh) | His***的数据表分类映射方法和装置 | |
CN111445440B (zh) | 一种医学图像分析方法、设备和存储介质 | |
US10789712B2 (en) | Method and system for image analysis to detect cancer | |
US20210295510A1 (en) | Heat map based medical image diagnostic mechanism | |
CN107978362B (zh) | 在医院网络中利用数据分布的查询 | |
WO2015023732A1 (en) | Systems, methods and devices for analyzing quantitative information obtained from radiological images | |
US11587228B2 (en) | Cross modality training of machine learning models | |
CN110827291A (zh) | 一种用于自动化脑mri定量分析的方法和装置 | |
US20190171555A1 (en) | Parallel testing and reporting system | |
CN113658175A (zh) | 一种征象数据的确定方法及装置 | |
CN111681738B (zh) | 基于病理切片扫描和分析一体化方法、装置、设备及介质 | |
CN114860699A (zh) | 数据质量检测方法、装置、设备和存储介质 | |
CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
US11923069B2 (en) | Medical document creation support apparatus, method and program, learned model, and learning apparatus, method and program | |
CN114334092B (zh) | 医用影像ai模型的管理方法及设备 | |
CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 |
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 |