CN114864056A - 用于对医学图像推理模型进行管理的方法及相关产品 - Google Patents
用于对医学图像推理模型进行管理的方法及相关产品 Download PDFInfo
- Publication number
- CN114864056A CN114864056A CN202210792333.7A CN202210792333A CN114864056A CN 114864056 A CN114864056 A CN 114864056A CN 202210792333 A CN202210792333 A CN 202210792333A CN 114864056 A CN114864056 A CN 114864056A
- Authority
- CN
- China
- Prior art keywords
- model
- inference
- medical image
- reasoning
- models
- 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.)
- Granted
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种用于对医学图像推理模型进行管理的方法及相关产品。该用于对医学图像推理模型进行管理的方法包括:通过推理模型选择接口接收用户选择指令;根据所述用户选择指令配置相关推理模型组合;确定后续对医学图像进行推理的模型推理结构。本申请的技术方案通过对医学图像推理模型进行***化管理,实现了用户对已有推理模型的浏览、选择、配置,可以针对不同专业背景的用户实现一键式或者自定义配置,并将相关推理模型自动确定为适用于医学图像推理活动的可行结构,能够通过对模型选择、配置、确定过程的优化进一步实现推理结果的展示和模型效能的评估,同时还能降低推理模型低效或无效使用概率。
Description
技术领域
本申请涉及图像数据处理领域,尤其涉及用于对医学图像推理模型进行管理的方法、执行该方法的电子设备和计算机可读存储介质。
背景技术
人工智能(Artificial Intelligence,AI)是计算机科学的一个分支,旨在通过智能***仿真人类智能,比如图像分析及语音识别。机器学习是人工智能的一个分支,专注于构建应用,使机器在无须明确编程的情况下即可从数据或经验中学习。机器学习使用算法从大量数据中提取知识,使用大量结构化及半结构化数据生成准确的预测。
深度学习(被广泛视为可扩展的机器学习)是机器学习的一个分支,指为模仿人类大脑的神经元连接而开发的算法,以实现智能执行任务,包括就慢病的早期检测进行医学影像分析等复杂任务。深度学习与机器学习的区别在于算法学习的方式及其使用的数据量。机器学习算法依靠人为干预来厘定特征的层次结构,从而了解数据输入值之间的差异,且其通常从大量结构化数据中学习。深度学习使特征提取过程自动化,消除大部分人为干预,并允许使用大量数据提高其准确性。
视网膜是位于眼球后壁部的感光层,能触发神经冲动及通过视神经传递该等冲动至大脑。这是人体中唯一一个能以无创方式直接观察血管和神经细胞的部位。血管及神经细胞的变化可以作为多种慢病的指标。人工智能技术具有高速、高成本效益、高准确性和可扩展性等优点,人工智能视网膜影像识别的深度学习算法已经应用于医疗器械领域,能够提供人工智能视网膜影像识别的早期检测及健康风险评估。视网膜影像、多模态数据分析以及人工智能深度学习算法有别于传统的慢病早期检测方式,可以实现对慢病的无创、准确、快速、有效且可扩展的检测。***研发主要分为两个阶段,开发初期进行数据收集、数据标记及模型训练过程,开发后期进行数据补充、算法训练迭代及算法验证过程。
人工智能视网膜影像识别可以应用于糖尿病视网膜病变、高血压性视网膜病变、视网膜静脉阻塞、年龄相关性黄斑变性、病理性近视、视网膜脱离、青光眼检测、白内障检测、缺血性脑血管病、动脉粥样硬化性心血管病、妊娠期糖尿病视网膜病变、妊娠期高血压性视网膜病变、颅内高压相关视***水肿视网膜病变、贫血症等早期检测。
具有检测健康风险指标能力的健康风险评估解决方案可以对视网膜异常、视网膜血管异常、玻璃体异常、视网膜肿瘤、视神经病变、黄斑病变、先天性视网膜异常、心血管异常、贫血症、甲状腺机能亢进、格雷夫斯眼病、视网膜静脉阻塞、痴呆症、帕金森病、房颤、动脉硬化等进行风险评估。
深度学习是一种用于实现智能任务的算法,人工智能视网膜影像识别的深度学习算法是通过模仿人脑的神经元连接实现对慢病的早期检测。人类依赖他们的神经***从经验中学习、感知他们周围的环境并做出适宜反应。神经***包括其他支持细胞中的互连神经元。神经元是神经***的基本单位,并产生称为动作电位的电信号,使得神经元能够于整个大脑中迅速传递信息。当神经元收到输入信号时,将对该输入信号进行处理以确定是否将其传递出去。人脑由600至800亿个神经元组成,这些神经元共同处理复杂的感官输入进而产生智能反应。
深度学习算法通过建立一个具有可训练行为的人工神经元网络模仿神经元的活动机制。依据他们的参数,人工神经元通过对输入信号进行放大、抑制或融合并产生输出信号的计算单位来处理输入信号。
精心开发的连接及计算计划使该等人工神经元网络能够学习进行高度复杂的计算,如从视网膜影像输入数据中生成高度精确的检测和检查结果。简而言之,深度学习的人工神经元网络乃一种非常复杂的计算网络或方程式,其处理影像等输入数据,产生计算结果,而结果可用作分类决策,包括影像是否显示某种慢病(如糖尿病视网膜病变)。
深度学习算法的开发包括两个主要阶段:设计及训练。设计即建立计算网络的架构,包括层数、层结数及结间的连接性。然而,设计架构并不决定计算网络的内部参数,如算法对网络中的信号放大、抑制或融合的程度。训练即通过学习人类卷标训练数据决定该等参数的价值。
在训练阶段,训练数据(如视网膜影像)首次被人类专家标记为不同类别(如健康或存在糖尿病视网膜病变),作为金标准标签。然后,计算网络对数据进行向前传递,预测训练数据的卷标。随后此预测与数据中的金标准卷标进行比较,并通过损失函数得出误差信号。然后网络反向传播此误差,并使用选定的优化算法调整参数,以减少未来的相同误差。训练过程必须重复多次,直至发现一组良好或足够好的参数。训练阶段后的参数是固定的,且具有固定参数值的计算网络成为最终深度学习模型,并被用于深度学习推理。
深度学习推理中使用经训练深度学习模型处理视网膜影像等输入数据、借助计算网络进行计算及对输入图像是否显示糖尿病视网膜病变等做出预测及决策。与训练不同,推理阶段不包括反向传播及参数调整。在此阶段,深度学习模型经过部署以基于真实世界数据做出预测或决策。经过训练的深度学习模型将使用计算网络从输入数据中推断出结论。
深度学习在视网膜影像分析中的应用包括疾病分类、病灶检测、病灶分割及健康风险评估。训练过程涉及在算法中输入由医学专家标记的视网膜影像、使用计算网络计算预测结果、将预测结果与人工标记进行比较以及调整参数以尽量减少预测误差。在接触大量经标记的视网膜影像后,算法利用指代输入数据与预测结果之间数学关系的计算网络进行归纳并学习精确预测若干慢病。
在医学图像尤其是视网膜影像的人工智能处理中,对推理模型的管理、图像数据的管理、以及进一步拓展到对推理模型的评估和训练,尚处于工业模块阶段,缺乏面向用户的应用体系。
发明内容
为了至少部分地解决背景技术中提到的一个或多个技术问题,本申请提供了一种用于对医学图像推理模型进行管理的技术方案。通过对医学图像推理模型进行***化管理,实现了用户对已有推理模型的浏览、选择、配置,可以针对不同专业背景的用户实现一键式或者自定义配置,并将相关推理模型自动确定为适用于医学图像推理活动的可行结构。
在第一方面中,本申请提供一种用于对医学图像推理模型进行管理的方法,包括:通过推理模型选择接口接收用户选择指令;根据用户选择指令配置相关推理模型组合;确定后续对医学图像进行推理的模型推理结构。
在一些实施例中,通过推理模型选择接口接收的用户选择指令为选择预置选项;根据用户选择指令配置相关推理模型组合包括根据预置选项配置预置推理模型组合;确定后续对医学图像进行推理的模型推理结构包括将对应于预置推理模型组合的预置模型推理结构确定为模型推理结构。
在一些实施例中,在根据用户选择指令配置相关推理模型组合后,还包括:通过推理模型选择接口接收用户二次选择指令,用于在相关推理模型组合中选择一个或多个推理模型;确定后续对医学图像进行推理的模型推理结构包括基于用户二次选择指令选择的推理模型确定模型推理结构。
在一些实施例中,方法还包括:响应于通过推理模型选择接口接收的用户选择指令选择一个或多个推理模型,将与所选择的推理模型互斥的推理模型设置为不可选择。
在一些实施例中,确定后续对医学图像进行推理的模型推理结构包括:分析相关推理模型组合中的多个推理模型的先后顺序关系;以及按先后顺序关系组织多个推理模型以构建模型推理结构。
在一些实施例中,确定后续对医学图像进行推理的模型推理结构包括:分析相关推理模型组合中的多个推理模型之间的并行处理度;以及基于并行处理度设置模型推理结构中的并行模式。
在一些实施例中,方法还包括:接收一个或多个医学图像;根据模型推理结构对所接收的医学图像进行推理,得出推理结果。
在一些实施例中,方法还包括:对模型推理结构进行评估。
在一些实施例中,评估包括:根据模型推理结构对已有医学图像进行推理得出推理结果;将推理结果与已有医学图像的相应标定结果进行比对,获得待评估的模型推理结构的评估结果。
在一些实施例中,待评估的模型推理结构为同一模型推理结构的不同版本,评估还包括分别获得待评估的不同版本模型推理结构的版本评估结果。
在一些实施例中,在根据模型推理结构对已有医学图像进行推理得出推理结果与相应标定结果不一致时,输出相应评估记录。
在第二方面中,本申请提供一种电子设备,包括:处理器;以及存储器,其存储有用于对医学图像推理模型进行管理的计算机指令,当计算机指令由处理器运行时,使得电子设备执行根据本申请第一方面任一实施例的方法。
在一些实施例中,存储器还存储有医学图像推理模型。
在第三方面中,本申请提供一种计算机可读存储介质,包含用于对医学图像推理模型进行管理的程序指令,当程序指令由处理器执行时,使得实现根据本申请第一方面任一实施例的方法。
通过本申请的用于对医学图像推理模型进行管理的技术方案,能够通过对模型选择、配置、确定过程的优化进一步实现推理结果的展示和模型效能的评估,同时还能降低推理模型低效或无效使用概率。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1示出根据本申请实施例的用于对医学图像推理模型进行管理的方法的示意性流程图;
图2示出根据本申请实施例的包含二次选择方案的示意性流程图;
图3示出根据本申请实施例的包含对医学图像进行推理方案的示意性流程图;
图4示出根据本申请实施例的包含对推理模型进行评估方案的示意性流程图;
图5示出根据本申请实施例的对模型推理结构进行评估方案的示意性流程图;
图6示出根据本申请实施例的对不同版本推理模型进行评估方案的示意性流程图;
图7示出根据本申请实施例的输出评估记录方案的示意性流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,本申请的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本申请。如在本申请说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本申请说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合附图来详细描述本申请的具体实施方式。
图1示出根据本申请一个实施例的用于对医学图像推理模型进行管理的方法的流程图。
在步骤S102中,通过推理模型选择接口接收用户选择指令。推理模型选择接口可以是任何适用于接收用户选择指令的用户接口,可以是硬件接口,也可以是软件接口,一般有命令接口、程序接口、图形接口等。
在步骤S104中,根据用户选择指令配置相关推理模型组合。推理模型指的是用于医学图像的算法模型,可以是图像处理模型,可以是机器学习模型,也可以是深度学习模型。当然对于简单指令,这里所说的组合也可以广义的理解为只有一个推理模型。
在步骤S106中,确定后续对医学图像进行推理的模型推理结构。模型推理结构指的是,对于待推理的医学图像,多个推理模型进行推理的层次、条件、顺序、重复、循环等算法结构。当然对于组合只有一个推理模型的情况,这里所说的结构也可以广义的理解为一个推理模型进行推理的条件、重复等算法结构。
下面先介绍一个最简单方案的示例,在步骤S102中接收的用户选择指令为选择预置选项。预置指的是预先设置好的。可以提供给用户的预置选项例如是白内障、青光眼等。假设用户选择青光眼。
在步骤S104中根据预置选项配置预置推理模型组合。如果用户选择青光眼,则配置与青光眼相关的预置推理模型组合,例如包括去黑边模型、分割模型、盘沿识别模型等。
在步骤S106中将对应于预置推理模型组合的预置模型推理结构确定为模型推理结构。如果用于选择的预置选项为青光眼,相应预置推理模型组合为去黑边模型、分割模型、盘沿识别模型,则预置模型推理结构为利用去黑边模型、分割模型、盘沿识别模型依次进行推理。
采用预置选项、预置推理模型组合、预置模型推理结构的方式,可以极大简化推理模型管理难度,尤其是对于非专家类的普通用户或者操作员,可以将基于以往大数据和经验归纳的模型结构直接提供给其用于对医学图像进行推理。
下面介绍一个扩展方案的示例,如图2所示,在步骤S104后,还包括步骤S105,通过推理模型选择接口接收用户二次选择指令,用于在相关推理模型组合中选择一个或多个推理模型。举例来说,如果在步骤S102中接收的用户选择指令还是青光眼,在步骤S104中配置的预置推理模型组合为去黑边模型、摆正模型、分割模型、盘沿识别模型,该预置推理模型组合中的所有推理模型都与青光眼相关,但是有一些推理模型可以使用也可以不使用。这种情况下可以向用户提供二次选择机会,用户可以在可选推理模型中进行选择。优选地可以将必选模型预置为默认选中。假如用户二次选择了摆正模型、分割模型、盘沿识别模型。
然后在步骤S106中基于用户二次选择指令选择的推理模型确定模型推理结构。例如基于用户在步骤S105中的二次选择,确定模型推理结构为利用摆正模型、分割模型、盘沿识别模型依次进行推理。
下面介绍一个不同于给用户提供预置选项的方案的示例,在步骤S102中接收的用户选择指令为选择一个或多个推理模型。也即针对资深用户或者研究人员,可以将推理模型直接提供给用户选择。当然这两种模式并不互斥,也即可以同时向用户提供预置选项和具体推理模型供其选择。
响应于在步骤S102中选择一个或多个推理模型,将与所选择的推理模型互斥的推理模型设置为不可选择。互斥的原因可能是算法不兼容,也可能是模型功能存在包含关系,还可能是任何其他造成两个推理模型不能共存的原因。比如初始提供给用户选择的推理模型包括血管分割模型和动静脉分割模型,但是这两个模型是互斥的,也即不能同时选择用于推理,所以在用户选择了血管分割模型后,就自动将动静脉分割模型设置为不可选;同理,在用户选择了动静脉分割模型后,就自动将血管分割模型设置为不可选。当可以用于选择的推理模型积累的越来越多时,难免发生这类存在干扰的情形,这样优化选择过程有效避免了模型冲突的情况发生。
可替代地,也可以允许用户同时选择互斥的两个模型,甚至不需要用户看到存在互斥的模型,而是基于用户的其他选择,自动进行筛选,帮助用户保留更优的模型,删掉不合适的模型。
下面介绍一个模型推理结构的方案的示例,在步骤S106中,分析相关推理模型组合中的多个推理模型的先后顺序关系;以及按先后顺序关系组织多个推理模型以构建模型推理结构。例如相关推理模型组合包括左右眼识别、去黑边模型、摆正模型、分割模型、盘沿识别模型,上述模型进行推理时存在先后次序要求,所以按照一定规则进行组织如下:去黑边模型、摆正模型、左右眼识别、分割模型、盘沿识别模型依次进行推理。不论是用户选择模型的顺序,还是模型提供选择的陈列顺序,都可能与模型执行推理时要求的顺序不同,所以单纯配置了多个模型的组合是不够的,还需要按照预定推理规则来明确模型组合中所有模型运行的结构。还可以将某个或某些模型设置为默认执行,不需要用户选择,例如去黑边模型,优选地将其设置为第一个执行。
下面介绍另一个模型推理结构的方案的示例,在步骤S106中,分析相关推理模型组合中的多个推理模型之间的并行处理度;以及基于并行处理度设置模型推理结构中的并行模式。例如相关推理模型组合包括黄斑检测模型和视盘检测模型,上述模型进行推理时要求并行处理,所以按照一定规则进行组织如下:在前面模型推理结束之后,利用黄斑检测模型和视盘检测模型并行进行推理,然后将两个模型的推理结果都传输到后面推理模型。
当然以上两个模型推理结构示例仅仅是示意性的,还可以有更多结构设计,例如类似于电路的串并联结构,一个或多个顺序处理和一个或多个并行处理相结合,例如增设条件判断模块,在后某个模型是否执行推理是基于在前某个模型的推理结果,例如某个模型设置为反复推理多次,例如某个模型子集设置为循环推理多轮等等。
对于某类模型需要其他模型在先推理结果的情况,也可以按照相应规则自动补足相应模型。例如用户选择了视网膜识别模型,但是没有选择血管分割模型,而视网膜识别模型的运行需要血管分割模型的推理结果,就可以自动将血管分割模型配置到推理模型组合中,并相应确定模型推理结构。
下面介绍一个模型推理的方案的示例,如图3所示,在步骤S108中,接收一个或多个医学图像;在步骤S110中,根据模型推理结构对所接收的医学图像进行推理,得出推理结果。
结合前述实施例举例说明,在步骤S102中接收用户选择青光眼,在步骤S104中配置去黑边模型、分割模型、盘沿识别模型,在步骤S106中确定去黑边模型、分割模型、盘沿识别模型依次推理。然后,在步骤S108中从同一用户或者其他用户或者其他***接收需要进行推理的视网膜影像,在步骤S110中依次利用去黑边模型、分割模型、盘沿识别模型对视网膜影像进行推理,得出推理结果。推理结果例如是:非青光眼、青光眼概率60%等。
还有一种推理模型结构应用示例,在步骤S102中接收用户选择同人判断,在步骤S104中配置相关推理模型组合,在步骤S106中确定相应模型推理结构。在步骤S108中接收多个视网膜影像,在步骤S110中进行推理,得出该多个视网膜影像是否属于同一个人的推理结果。
下面介绍一个模型评估的方案的示例,如图4所示,在步骤S120中,对模型推理结构进行评估。如图5所示,步骤S120具体包括步骤S1202和步骤S1204,在步骤S1202中,根据模型推理结构对已有医学图像进行推理得出推理结果;在步骤S1204中,将推理结果与已有医学图像的相应标定结果进行比对,获得待评估的模型推理结构的评估结果。如果评估结果不佳,可以结合模型优化策略考虑将相关推理模型进行再次训练和升级。
一般而言,对于模型推理结构中的所有推理模型或者关键推理模型,已有大量的医学图像和相应的人工标记的标定结果。人工标记过程如下,输入候选原始图像,人工审核候选数据,人工判断推理结果准确性,对候选数据进行标注,生成训练数据。
待评估的模型推理结构还可以为同一模型推理结构的不同版本,如图6所示,步骤S120还包括步骤S1206,在步骤S1206中,分别获得待评估的不同版本模型推理结构的版本评估结果。借助该版本评估结果,可以结合时间、空间等参数对不同版本进行取舍或者择优升级。
如图7所示,步骤S120还可以包括步骤S1208,在步骤S1204中比对结果不一致时,在步骤S1208中输出相应评估记录。尤其是对于专家用户,可以查看并研究存在较大差异的具体案例的相关模型参数。当然本申请并不限于只在比对结果不一致时才可以输出相应评估记录,本领域技术人员可以理解,评估过程中,任何评估记录都可以进行存储和调阅。
前述所有实施例中涉及的推理模型包括但不限于去黑边模型、摆正模型、年龄识别模型、左右眼识别模型、视网膜识别模型、血管分割模型、动静脉分割模型、动静脉测量模型、豹纹分割模型、弧形斑分割模型、黄斑检测模型、视盘检测模型、视杯视盘分割模型、全病灶分割模型。前述所有实施例中涉及的预置选项包括但不限于全区域全病种判断、全病灶种类检测、糖网检测、豹纹检测、白内障检测、青光眼检测、质量控制、心血管疾病风险评估、痴呆风险评估。
本申请实施例的上述方案可以借助于程序指令来实现。由此,本申请还提供了一种电子设备,包括处理器,其配置用于执行程序指令;以及存储器,其配置用于存储程序指令,当这些程序指令由上述处理器加载并执行时,使得处理器执行根据前文任一实施例所述的用于对医学图像推理模型进行管理的方法。
本申请所涉及的医学图像推理模型可以存储于电子设备的存储器中。当然并不限于此,推理模型可以基于局域网或者互联网进行分布式存储、远程存储,云存储等等。同理,前述涉及的已有医学图像和相应标定结果,以及评估记录,也都可以存储于电子设备的存储器中,或者进行非本地存储。
电子设备可以对应于具有各种处理功能的计算设备。例如,电子设备可以被实现为各种类型的设备,包括但不限于个人计算机(PC)、服务器设备、移动设备等。
处理器配置用于执行程序指令以控制电子设备的所有功能。例如,处理器通过执行电子设备上的存储器中存储的程序,来控制电子设备的所有功能。处理器可以由电子设备中提供的中央处理单元(CPU)、图形处理单元(GPU)、应用处理器(AP)、人工智能处理器芯片(IPU)、现场可编程门阵列(FPGA)等来实现。然而,本申请不限于此。
存储器用于存储电子设备中处理的各种数据。例如,存储器可以存储电子设备中的处理过的数据和待处理的数据。存储器可存储处理器已处理或要处理的数据。此外,存储器可以存储要由电子设备驱动的应用、驱动程序等程序指令。例如:存储器可以存储与将由处理器执行的对加密数据进行运算处理等有关的各种程序。存储器可以是DRAM,但是本披露不限于此。存储器可以包括易失性存储器或非易失性存储器中的至少一种。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、相变RAM(PRAM)、磁性RAM(MRAM)、电阻RAM(RRAM)、铁电RAM(FRAM)等。易失性存储器可以包括动态RAM(DRAM)、静态RAM(SRAM)、同步DRAM(SDRAM)、PRAM、MRAM、RRAM、铁电RAM(FeRAM)等。在实施例中,存储器可以包括硬盘驱动器(HDD)、固态驱动器(SSD)、高密度闪存(CF)、安全数字(SD)卡、微安全数字(Micro-SD)卡、迷你安全数字(Mini-SD)卡、极限数字(xD)卡、高速缓存(caches)或记忆棒中的至少一项。
综上,本说明书实施方式提供的电子设备的存储器和处理器实现的具体功能,可以与本说明书中的前述实施方式相对照解释,并能够达到前述实施方式的技术效果,这里便不再赘述。
在本披露实施例中,还提供一种计算机可读存储介质,其中存储有程序指令,当该程序指令由处理器加载并执行时,使得处理器执行本申请实施例中描述的对神经网络进行训练的方法或利用神经网络进行推理的方法。
计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举示例)例如可以包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种用于对医学图像推理模型进行管理的方法,其特征在于,包括:
通过推理模型选择接口接收用户选择指令;
根据所述用户选择指令配置相关推理模型组合;
确定后续对医学图像进行推理的模型推理结构。
2.根据权利要求1所述的方法,其特征在于,
通过所述推理模型选择接口接收的所述用户选择指令为选择预置选项;
所述根据所述用户选择指令配置相关推理模型组合包括根据所述预置选项配置预置推理模型组合;
所述确定后续对医学图像进行推理的模型推理结构包括将对应于所述预置推理模型组合的预置模型推理结构确定为所述模型推理结构。
3.根据权利要求1所述的方法,其特征在于,在根据所述用户选择指令配置相关推理模型组合后,还包括:
通过所述推理模型选择接口接收用户二次选择指令,用于在所述相关推理模型组合中选择一个或多个推理模型;
确定后续对医学图像进行推理的模型推理结构包括基于所述用户二次选择指令选择的推理模型确定所述模型推理结构。
4.根据权利要求1所述的方法,其特征在于,还包括:
响应于通过所述推理模型选择接口接收的所述用户选择指令选择一个或多个推理模型,将与所选择的推理模型互斥的推理模型设置为不可选择。
5.根据权利要求1或3所述的方法,其特征在于,所述确定后续对医学图像进行推理的模型推理结构包括:
分析所述相关推理模型组合中的多个推理模型的先后顺序关系;以及
按所述先后顺序关系组织所述多个推理模型以构建所述模型推理结构。
6.根据权利要求1或3所述的方法,其特征在于,所述确定后续对医学图像进行推理的模型推理结构包括:
分析所述相关推理模型组合中的多个推理模型之间的并行处理度;以及
基于所述并行处理度设置所述模型推理结构中的并行模式。
7.根据权利要求1所述的方法,其特征在于,还包括:
接收一个或多个医学图像;
根据所述模型推理结构对所接收的医学图像进行推理,得出推理结果。
8.根据权利要求1所述的方法,其特征在于,还包括:对所述模型推理结构进行评估。
9.根据权利要求8所述的方法,其特征在于,所述评估包括:
根据所述模型推理结构对已有医学图像进行推理得出推理结果;
将所述推理结果与所述已有医学图像的相应标定结果进行比对,获得待评估的所述模型推理结构的评估结果。
10.根据权利要求9所述的方法,其特征在于,待评估的所述模型推理结构为同一所述模型推理结构的不同版本,所述评估还包括分别获得待评估的不同版本模型推理结构的版本评估结果。
11.根据权利要求9所述的方法,其特征在于,在根据所述模型推理结构对已有医学图像进行推理得出推理结果与所述相应标定结果不一致时,输出相应评估记录。
12.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其存储有用于对医学图像推理模型进行管理的计算机指令,当所述计算机指令由所述处理器运行时,使得所述电子设备执行根据权利要求1-11的任一项所述的方法。
13.根据权利要求12所述的电子设备,其特征在于,所述存储器还存储有医学图像推理模型。
14.一种计算机可读存储介质,其特征在于,包含用于对医学图像推理模型进行管理的程序指令,当所述程序指令由处理器执行时,使得实现根据权利要求1-11的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210792333.7A CN114864056B (zh) | 2022-07-07 | 2022-07-07 | 用于对医学图像推理模型进行管理的方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210792333.7A CN114864056B (zh) | 2022-07-07 | 2022-07-07 | 用于对医学图像推理模型进行管理的方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114864056A true CN114864056A (zh) | 2022-08-05 |
CN114864056B CN114864056B (zh) | 2022-11-01 |
Family
ID=82626588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210792333.7A Active CN114864056B (zh) | 2022-07-07 | 2022-07-07 | 用于对医学图像推理模型进行管理的方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114864056B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
US20190180145A1 (en) * | 2016-08-03 | 2019-06-13 | Infervision | Method and device for performing transformation-based learning on medical image |
CN113469180A (zh) * | 2020-03-31 | 2021-10-01 | 阿里巴巴集团控股有限公司 | 医学图像的处理方法和***、数据处理方法 |
CN113962311A (zh) * | 2021-10-27 | 2022-01-21 | 厦门大学 | 知识数据和人工智能驱动的眼科多病种识别*** |
CN114170178A (zh) * | 2021-12-06 | 2022-03-11 | 上海市徐汇区牙病防治所 | 一种图像分割方法及存储介质 |
-
2022
- 2022-07-07 CN CN202210792333.7A patent/CN114864056B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190180145A1 (en) * | 2016-08-03 | 2019-06-13 | Infervision | Method and device for performing transformation-based learning on medical image |
CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN113469180A (zh) * | 2020-03-31 | 2021-10-01 | 阿里巴巴集团控股有限公司 | 医学图像的处理方法和***、数据处理方法 |
CN113962311A (zh) * | 2021-10-27 | 2022-01-21 | 厦门大学 | 知识数据和人工智能驱动的眼科多病种识别*** |
CN114170178A (zh) * | 2021-12-06 | 2022-03-11 | 上海市徐汇区牙病防治所 | 一种图像分割方法及存储介质 |
Non-Patent Citations (1)
Title |
---|
孙铁等: "人工智能及其在眼科疾病诊疗中的应用", 《眼科新进展》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114864056B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bodapati et al. | Composite deep neural network with gated-attention mechanism for diabetic retinopathy severity classification | |
CN109829894A (zh) | 分割模型训练方法、oct图像分割方法、装置、设备及介质 | |
CN109223002A (zh) | 自闭症患病预测方法、装置、设备及存储介质 | |
Elloumi | Cataract grading method based on deep convolutional neural networks and stacking ensemble learning | |
KR20210066545A (ko) | 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 | |
US20220351377A1 (en) | Automated selection of ultra-widefield angiography images | |
CN115019382A (zh) | 区域确定方法、装置、设备、存储介质和程序产品 | |
CN114864056B (zh) | 用于对医学图像推理模型进行管理的方法及相关产品 | |
Callaway et al. | Optimal metacognitive control of memory recall. | |
Kabir et al. | Multi-classification based Alzheimer's disease detection with comparative analysis from brain MRI scans using deep learning | |
Brady et al. | Noisy and hierarchical visual memory across timescales | |
Lalithadevi et al. | Diabetic retinopathy detection and severity classification using optimized deep learning with explainable AI technique | |
CN112070205A (zh) | 一种多损失模型获取方法以及装置 | |
Naveenkumar et al. | Diabetic Retinopathy Disease Classification Using EfficientNet-B3 | |
KR102592762B1 (ko) | 합성곱 신경망 기반의 덴스넷을 통한 부정맥 분류 방법 | |
WO2022181248A1 (ja) | 予測方法、予測装置、予測システム、制御プログラム、記録媒体 | |
Saini et al. | Early detection of glaucoma integrated with deep learning models over medical devices | |
KR102302411B1 (ko) | 생체 데이터를 비롯한 각종 데이터를 사용하는 인공지능 모델을 이용한 금융상품 매매 방법, 서버 및 컴퓨터프로그램 | |
Meshram et al. | Development And Analysis Of Deep Learning Model Based On Multiclass Classification Of Retinal Image For Early Detection Of Diabetic Retinopathy | |
CN112712874A (zh) | 一种智能诊脉方法、装置及电子设备和存储介质 | |
Leontidis et al. | Exploiting the retinal vascular geometry in identifying the progression to diabetic retinopathy using penalized logistic regression and random forests | |
Escorcia-Gutierrez et al. | A feature selection strategy to optimize retinal vasculature segmentation | |
WO2024062839A1 (ja) | 識別装置、識別方法、プログラム | |
JP2020057112A (ja) | 学習用データ生成方法、学習用データセット、評価システム、プログラム、及び、学習方法 | |
AlSaad et al. | A deep learning based automatic severity detector for diabetic retinopathy |
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 |