CN110597628A - 模型分发方法、装置、计算机可读介质及电子设备 - Google Patents
模型分发方法、装置、计算机可读介质及电子设备 Download PDFInfo
- Publication number
- CN110597628A CN110597628A CN201910812937.1A CN201910812937A CN110597628A CN 110597628 A CN110597628 A CN 110597628A CN 201910812937 A CN201910812937 A CN 201910812937A CN 110597628 A CN110597628 A CN 110597628A
- Authority
- CN
- China
- Prior art keywords
- node
- data
- image
- analysis model
- medical 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000010191 image analysis Methods 0.000 claims abstract description 269
- 238000004458 analytical method Methods 0.000 claims abstract description 125
- 238000012549 training Methods 0.000 claims abstract description 89
- 230000002159 abnormal effect Effects 0.000 claims description 109
- 238000001514 detection method Methods 0.000 claims description 75
- 230000004913 activation Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 19
- 230000001360 synchronised effect Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 47
- 238000010586 diagram Methods 0.000 description 25
- 238000012795 verification Methods 0.000 description 24
- 230000008901 benefit Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 8
- 210000000988 bone and bone Anatomy 0.000 description 6
- 238000012163 sequencing technique Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 210000002411 hand bone Anatomy 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 208000003174 Brain Neoplasms Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011976 chest X-ray Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000016273 neuron death Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
Abstract
本申请的实施例提供了一种图像分析模型的分发方法、装置、计算机可读介质及电子设备。该方法由区块链中分析节点执行，该方法包括：获取区块链网络中至少一个数据节点提供的图像样本数据；用图像样本数据对分析节点上第一图像分析模型进行训练；将训练得到的第二图像分析模型的参数同步至区块链网络中分析节点外的至少一个节点，以便各节点将所述第二图像分析模型的参数配置到部署的第三图像分析模型后，用配置好参数的第三图像分析模型进行图像分析，其中，第三图像分析模型与第二图像分析模型的模型架构相同。本申请实施例的技术方案能够获取更多图像数据，提高图像分析模型的训练效果，还可以实现模型参数同步，提高图像分析模型的更新效率。
Description
技术领域
本申请涉及机器学习技术领域，具体而言，涉及一种图像分析模型的分发方法、装置、计算机可读介质及电子设备。
背景技术
随着人工智能的发展，深度神经网络等各种机器学习模型在领域内迅速迭代。在计算机视觉方面，为了训练更好的图像分析模型，往往需要更多的图像数据，因此如何获取更多的能够用于训练图像分析模型的图像数据已经成为业界共同面临的挑战；另外，由于图像分析模型的训练需要消耗大量的算力，而运行图像分析模型相对使用的算力较少，因此，训练图像分析模型所使用的设备和应用图像分析模型的设备往往是不同的，这导致了应用设备上的图像分析模型可能滞后于最新训练好的模型，无法满足最新的应用需求。
发明内容
本申请的实施例提供了一种图像分析模型的分发方法、装置、计算机可读介质及电子设备，进而至少在一定程度上提高获取的用于训练图像分析模型的图像数据的数量，并提高图像分析模型的分发效率。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面，提供了一种图像分析模型的分发方法，所述方法由区块链网络中的分析节点执行，所述方法包括：获取区块链网络中至少一个数据节点提供的图像样本数据，所述区块链网络包括多个节点；利用所述图像样本数据对所述分析节点上的第一图像分析模型进行训练；将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的第三图像分析模型后，用配置好参数的第三图像分析模型进行图像分析，其中，所述第三图像分析模型与所述第二图像分析模型的模型架构相同。
在本申请的一些实施例中，基于前述方案，所述将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，包括：
确定各数据节点提供的图像样本数据的数目；
根据所述数目，确定向所述区块链网络中所述各数据节点的同步顺序；
按照所述同步顺序，将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述各数据节点。
在本申请的一些实施例中，基于前述方案，所述根据所述数目，确定向所述区块链网络中所述各数据节点的同步顺序，包括：
对各数据节点按照所述数目从大到小进行排序，作为向所述区块链网络中所述各数据节点的同步顺序。
在本申请的一些实施例中，基于前述方案，所述将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，包括：
确定各数据节点提供的图像样本数据的数目；
确定所述数目大于第一预定数目阈值的数据节点，作为目标数据节点；
将训练得到的第二图像分析模型的参数同步至所述区块链网络中的各目标数据节点。
在本申请的一些实施例中，基于前述方案，在获取区块链网络中至少一个数据节点提供的图像样本数据之后，所述方法还包括：
若已获得的未用于训练的图像样本数据的数目小于第二预定数目阈值，则重新获取区块链网络中至少一个数据节点提供的图像样本数据，直至已获得的未用于训练的图像样本数据的数目达到第二预定数目阈值。
根据本申请实施例的一个方面，提供了一种图像分析模型的分发装置，所述装置为区块链网络中的分析节点，所述装置包括：数据获取模块，被配置为获取区块链网络中至少一个数据节点提供的图像样本数据，所述区块链网络包括多个节点；模型训练模块，被配置为利用所述图像样本数据对所述分析节点上的第一图像分析模型进行训练；同步模块，被配置为将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的第三图像分析模型后，用配置好参数的第三图像分析模型进行图像分析，其中，所述第三图像分析模型与所述第二图像分析模型的模型架构相同。
根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的图像分析模型的分发方法。
根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的图像分析模型的分发方法。
在本申请的一些实施例所提供的技术方案中，一方面，通过利用区块链网络来获取用于训练图像分析模型的数据，由于数据的来源更广泛，可以获取到更多的图像数据，从而可以提高图像分析模型的训练效果；另一方面，通过将训练得到的图像分析模型的参数同步至区块链网络中的其他节点，使得最新训练好的图像分析模型可以被迅速应用到其他节点，提高了图像分析模型的更新效率。
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。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了根据本申请的一个实施例的图像分析模型的分发方法应用的网络架构示意图；
图2A示出了根据本申请的一个实施例的图像分析模型的分发方法应用时对用于训练图像分析模型的图像样本数据的来源进行监控所使用的界面示意图；
图2B示出了根据本申请的一个实施例的图2A中汇总按钮被触发时对图像样本数据的来源进行汇总所显示的界面示意图；
图3示出了根据本申请的一个实施例的图像分析模型的分发方法应用在医疗影像领域的网络架构示意图；
图4示出了根据本申请的一个实施例的图像分析模型的分发方法的流程图；
图5示出了根据本申请的一个实施例的图4中步骤S440的一个具体流程图；
图6示出了根据本申请的一个实施例的图4中步骤S420的一个具体流程图；
图7示出了根据本申请的一个实施例的图6中步骤S420之后步骤以及步骤440的一个具体流程图；
图8示出了根据本申请的另一个实施例的图像分析模型的分发方法应用的网络架构示意图；
图9示出了根据本申请的一个实施例的基于生成式对抗网络的异常医疗影像数据检测模型的结构示意图；
图10示出了根据本申请的一个实施例的异常医疗影像数据检测模型的训练过程的流程示意图；
图11示出了根据本申请的一个实施例的图像分析模型的分发装置的框图；
图12示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请首先提供了一种图像分析模型的分发方法。图像分析模型是指根据图像的输入得到相应的分析或处理结果的模型，可以基于各种计算机视觉以及图像处理领域的模型架构建立的，比如可以是卷积神经网络模型、深度学习模型、强化学习模型等类型的模型，图像分析模型的分析或处理结果可以是根据需要选择的各种类型的结果。图像分析模型的分发是指将图像分析模型从一个设备同步至其他一个或多个终端或设备的过程。
图1示出了根据本申请的一个实施例的图像分析模型的分发方法应用的网络架构示意图。
如图1所示，该网络架构即为区块链网络，区块链网络中包括多个节点，分别是分析节点110和数据节点120-150，可以看到，区块链网络中的每一节点均可以接收该节点之外的任一节点发来的数据，并可以向该节点之外的任一节点发送数据。节点是抽象化的设备或者设备的集群，每一节点可以采用各种具有存储数据、处理数据、与外部设备进行通信功能的设备，比如可以是服务器、台式电脑、服务器集群等，分析节点与数据节点之间以及数据节点之间可以使用相同的终端设备，也可以使用不同的终端设备。在本实施例中，分析节点110为图像分析模型的分发方法的执行终端，分析节点110和每一数据节点均部署了图像分析模型且各节点上部署的图像分析模型的模型架构是相同的，但分析节点和各数据节点上部署的图像分析模型的参数可以是不同的，一般情况下，分析节点上的图像分析模型的参数优于或等于各数据节点上部署的图像分析模型的参数，即分析节点上的图像分析模型的性能优于或等于各数据节点上部署的图像分析模型；各数据节点中至少一个数据节点为分析节点上的图像分析模型的训练提供图像样本数据，这些图像样本数据可以是从其他节点转发至数据节点上的，也可以是数据节点的用户提交至数据节点上的，分析节点利用获取的图像样本数据将图像分析模型训练到一定程度后，可以将图像分析模型的参数同步至一个或多个数据节点上，使这些数据节点直接使用同步来的参数来运行各数据节点本地已经部署的图像分析模型，从而实现对接收到参数的各数据节点上的图像分析模型的及时更新，并使这些数据节点可以迅速应用更新后的图像分析模型，以满足最新的应用需求。
图2A示出了根据本申请的一个实施例的图像分析模型的分发方法应用时对用于训练图像分析模型的图像样本数据的来源进行监控所使用的界面示意图。该界面可以是HTML5等Web页面、客户端界面、App(Application，应用程序)界面、小程序界面等，该界面上显示的数据可以由分析节点存储，该界面可以显示区块链网络的分析节点上，也可以是分析节点根据区块链网络中其他节点的请求将这些数据发送到其他节点，使这些数据以图2A所示界面的形式显示在区块链网络中的其他节点上。参见图2A所示，该界面分别显示了三个数据节点在1月1日、1月2日和1月3日向分析节点提供的用于训练图像分析模型的图像样本数据的数量统计情况，其中，第一数据节点在1月2日提供的图像样本数据的数量为480，在1月3日提供的图像样本数据的数量为950，第二数据节点在1月1日提供的图像样本数据的数量为800，在1月3日提供的图像样本数据的数量为750，而对于第三数据节点，在1月1日提供的图像样本数据的数量为380，在1月2日提供的图像样本数据的数量为700，在1月3日提供的图像样本数据的数量为500。通过该界面显示的上述内容可以明确，每一数据节点向分析节点提供的图像样本数据的数量不一定是固定的，是可以随时间变化的，各数据节点在同一天提供的图像样本数据的数量也不尽相同，另外，各数据节点并不是每天都向分析节点提供图像样本数据，比如，第一数据节点在1月1日以及第二数据节点在1月2日均没有向分析节点提供图像样本数据，所以分析节点每天或每次获取的图像样本数据的来源数据节点可以是不固定的。
通过图2A所示界面，可以使用户直观地了解到各数据节点每天向分析节点提供的图像样本数据的数量情况。
图2B示出了根据本申请的一个实施例的图2A中汇总按钮被触发时对图像样本数据的来源进行汇总所显示的界面示意图。图2A中显示了“汇总”按钮，图2A所示界面显示的该按钮可以被通过多种方式触发，比如通过鼠标的点击触发，当汇总按钮被触发时，会对图2A所示界面中的数据进行汇总，并显示图2B所示界面。图2B所示界面显示了三个数据节点在1月1日-1月3日向分析节点提供的用于训练图像分析模型的图像样本数据的数量统计情况，对于第一数据节点，由于在图2A中，第一数据节点在1月2日和1月3日提供的图像样本数据的数量分别是480和950，所以图2B所示界面显示第一数据节点在1月1日-1月3日提供的图像样本数据的数量为1430(＝480+950)；对于第二数据节点，由于在图2A中，第二数据节点在1月1日和1月3日提供的图像样本数据的数量分别是800和750，所以图2B所示界面显示第二数据节点在1月1日-1月3日提供的图像样本数据的数量为1550(＝800+750)；对于第三数据节点，由于在图2A中，第三数据节点在1月1日、1月2日和1月3日提供的图像样本数据的数量分别是380、700和500，所以图2B所示界面显示第三数据节点在1月1日-1月3日提供的图像样本数据的数量为1580(＝380+700+500)，这样就能计算得到1月1日-1月3日分析节点总共获得的用于训练图像分析模型的图像样本数据的数量为4560＝(1430+1550+1580)。
通过图2B所示界面，可以使用户从宏观上整体地了解各数据节点在一个时间段内向分析节点提供的图像样本数据的数量规模，从而为用户评估分析节点上图像分析模型的训练进度提供保障。
图3示出了根据本申请的一个实施例的图像分析模型的分发方法应用在医疗影像领域的网络架构示意图。
医疗影像一般为医学领域可以用于判断人类健康、发育状况的图像，比如可以是骨骼图像、胸部X光图像等。医疗影像可以为判断人类的健康、发育状况提供重要信息，比如胸部X光图像可以用于判断一个人是否患有肺炎。
参考图3所示，该网络架构包括分析节点320、第一医疗机构节点330、第二医疗机构节点340、第一存储节点350以及第二存储节点360，各节点通过区块链310相连，每一节点均可以通过区块链310向其他节点发出数据或接收其他节点发来的数据。存储节点可以和医疗机构节点通过各种协作方式来向分析节点320提供图像样本数据。比如，一方面，可以是第一医疗机构节点330将要向分析节点320提供的图像样本数据发送到第二医疗机构节点340，由第二医疗机构节点340对这些图像样本数据的正确性进行验证，将验证通过的图像样本数据发送至第二存储节点360，并由第二存储节点360将获得的图像样本数据发送至分析节点320；另一方面，第二医疗机构节点340将要向分析节点320提供的图像样本数据发送到第一医疗机构节点330，由第一医疗机构节点330对这些图像样本数据的正确性进行验证，将验证通过的图像样本数据发送至第一存储节点350，并由第一存储节点350将获得的图像样本数据发送至分析节点320。这样，就可以使分析节点320获得的每一图像样本数据都可以经过两个医疗机构节点的验证，从而可以提高对分析节点上的图像分析模型的训练效果，进而提高训练出的图像分析模型的性能。
图4示出了根据本申请的一个实施例的图像分析模型的分发方法的流程图。本实施例提供的图像分析模型的分发方法由区块链网络中的分析节点执行。区块链网络中的分析节点具体可以是各种类型的终端设备，比如可以是服务器、台式电脑等。参照图4所示，该图像分析模型的分发方法至少包括步骤S410、步骤S420及步骤S440，详细介绍如下：
在步骤S410中，获取区块链网络中至少一个数据节点提供的图像样本数据。
所述区块链网络包括多个节点。即所述区块链网络至少包括分析节点和一个数据节点。
数据节点可以任何具备数据存储和数据传输功能的设备。比如，可以是数据库服务器等，各数据节点所使用的设备的类型可以相同，也可以不同，各数据节点与所述分析节点实际采用的设备可以相同，也可以不同。
区块链网络是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式，可以是公有链、私有链、联盟链中的任意一种。
图像样本数据是能够用于图像分析模型的训练的数据，可以包括图像数据和对应的标签，图像样本数据的类型可以是多种多样的，可以根据应用需要选择各种类型的图像样本数据。比如，在垃圾分类领域，图像样本数据可以包括垃圾的照片以及照片对应的垃圾种类；再比如，在智能医疗领域，图像样本数据可以包括病灶的图像以及图像对应的病灶识别结果。
在本申请的一个实施例中，所述获取区块链网络中至少一个数据节点提供的图像样本数据，包括：
每隔预定时间段，获取区块链网络中至少一个数据节点提供的图像样本数据。
本实施例的好处是，通过定期获取图像样本数据用于图像分析模型的训练，而不是每次数据节点刚得到图像样本数据就马上去获取，减少了多次频繁获取数据导致的资源的消耗，在一定程度上降低了数据获取成本。
在本申请的一个实施例中，所述获取区块链网络中至少一个数据节点提供的图像样本数据，包括：
获取区块链网络中至少一个数据节点发送的图像样本数据。
本实施例的好处在于，数据节点一旦得到图像样本数据就可以立即将得到的图像样本数据发送至所述分析节点，使得分析节点可以及时获取到最新的图像样本数据，从而提高了图像分析模型更新速度。
在本申请的一个实施例中，所述获取区块链网络中至少一个数据节点发送的图像样本数据，包括：
通过与区块链网络中至少一个数据节点建立的通信连接，对区块链网络中的至少一个数据节点进行鉴权；
获取鉴权通过的数据节点发送的图像样本数据。
鉴权的方式可以有很多种，比如可以利用基于公私钥加密的数字证书进行鉴权，还可以利用特定的安全规则或者机制进行鉴权。
本实施例的好处是，通过仅获取鉴权通过的数据节点发送的图像样本数据，提高了获取的图像样本数据的合法性，也保证了区块链网络的安全。
在本申请的一个实施例中，所述获取区块链网络中至少一个数据节点提供的图像样本数据，包括：
向区块链网络中至少一个数据节点拉取图像样本数据。
本实施例的好处是，通过根据分析节点的需要主动向数据节点拉取图像样本数据，可以在需要数据时才主动去获取数据，使得分析节点上的数据周转效率大大提升，从而在一定程度上降低了分析节点上的数据存储开销。
在本申请的一个实施例中，所述向区块链网络中至少一个数据节点拉取图像样本数据，包括：
获取所述分析节点的存储空间占用率和内存使用率；
在所述分析节点的存储空间占用率和内存使用率满足预定条件的情况下，向区块链网络中至少一个数据节点拉取图像样本数据。
本实施例的好处在于，只有在分析节点的存储空间占用率和内存使用率满足预定条件时，才去数据节点拉取图像样本数据，使得去数据节点拉取图像样本数据的动作还依赖于分析节点的存储空间占用率和内存使用率，这样可以确保分析节点去数据节点拉取数据时，分析节点可以稳定运行。
在本申请的一个实施例中，所述预定条件为所述分析节点的存储空间占用率小于预定存储空间占用率阈值且内存使用率小于预定内存使用率阈值。
本实施例的好处是，只有在分析节点的存储空间占用率和内存使用率均足够小时才去数据节点拉取图像样本数据，保证了分析节点运行的可靠性和稳定性。
在本申请的一个实施例中，所述预定条件为根据预设的权重确定所述分析节点的存储空间占用率和内存使用率的加权和小于预定加权和阈值。
获取分析节点的存储空间占用率和内存使用率的方式可以是多种多样的，比如，通过预先设置的脚本对分析节点进行爬取来获得存储空间占用率和内存使用率。
在本申请的一个实施例中，所述获取区块链网络中至少一个数据节点提供的图像样本数据，包括：
根据预设的数据节点与时间节点对应关系表，每当当前时间等于所述数据节点与时间节点对应关系表中的一个时间节点，就向所述数据节点与时间节点对应关系表中的与该时间节点对应的数据节点拉取图像样本数据。
本实施例的好处是，通过为每一数据节点单独设置一个时间节点，然后在各时间节点向对应的数据节点拉取数据，从而不需要在获取图像样本数据时分散向多个数据节点拉取图像样本数据，在一定程度上提高了图像样本数据的拉取效率。
在本申请的一个实施例中，在获取区块链网络中至少一个数据节点提供的图像样本数据之后，所述方法还包括：
若已获得的未用于训练的图像样本数据的数目小于第二预定数目阈值，则重新获取区块链网络中至少一个数据节点提供的图像样本数据，直至已获得的未用于训练的图像样本数据的数目达到第二预定数目阈值。
本实施例的好处是，由于只有在已获得的未用于训练的图像样本数据的数目达到一定数量后，才停止本轮图像样本数据的获取，然后可以利用获取的图像样本数据进行图像分析模型的训练，实现了对图像分析模型的集中训练，提高了模型训练所使用的资源的利用率。
在步骤S420中，利用所述图像样本数据对所述分析节点上的第一图像分析模型进行训练。
如前所述，图像分析模型具体可以是各种各样的，比如可以是卷积神经网络模型、深度学习模型、强化学习模型等一种或多种模型的结合等。
图像分析模型能够根据图像数据的输入而输出相应的判断或处理结果的模型。
第一图像分析模型可以是应用于各种领域的模型，而对第一图像分析模型进行训练的图像样本数据则是相应领域的图像样本数据。比如，在骨龄识别领域，第一图像分析模型可以是骨龄识别模型，而对第一图像分析模型进行训练的图像样本数据则可以是手骨图像数据。再比如，在垃圾分类领域，第一图像分析模型可以是垃圾分类模型，而对第一图像分析模型进行训练的图像样本数据则可以是垃圾图像数据。
图像样本数据可以包括图像和对应的标签，标签对应于第一图像分析模型应当输出的结果，这样可以实现对第一图像分析模型的监督学习，比如，在垃圾分类领域，垃圾图像对应的标签即为垃圾图像所属的类别，这些类别可以为厨余垃圾、有害垃圾、可回收物等；在骨龄识别领域，手骨图像对应的标签即为手骨图像的骨龄。
对第一图像分析模型进行训练是确定第一图像分析模型的参数的过程，可以用各种方法对第一图像分析模型进行训练，比如一般可以用SGD(Stochastic GradientDescent，随机梯度下降)算法进行训练。
为了解决在医疗影像领域训练图像分析模型时，非正常影像采集困难的问题以及仅利用规则进行异常影像数据的检测时，由于无法穷举所有规则导致覆盖范围有限的问题，本申请的实施例还提供了如下的解决方案。
在本申请的一个实施例中，所述图像样本数据包括医疗影像数据和对应的标签，所述标签指示对应的医疗影像数据为异常或正常，图6示出了根据本申请的一个实施例的图4中步骤S420的一个具体流程图，参见图6所示，步骤S420可以包括以下步骤：
在步骤S420'中，利用所述图像样本数据中的正常医疗影像数据对所述分析节点上的第一图像分析模型进行训练，所述第一图像分析模型为基于生成式对抗网络的异常医疗影像数据检测模型，所述正常医疗影像数据为标签指示对应的医疗影像数据为正常的医疗影像数据。
此处的医疗影像可以是医疗领域的各种形式的影像，包括但不限于骨骼、眼底、肺部、脑部等人类身体的影像数据。
正常医疗影像数据即对应的标签显示生成了该医疗影像数据的人类没有患有该医疗影像数据能够表征的疾病，相应地，异常医疗影像数据即对应的标签显示生成了该医疗影像数据的人类没有患有该医疗影像数据能够表征的疾病。比如，若医疗影像数据为脑部影像数据，那么正常医疗影像数据可以为确定没有患有脑部肿瘤的脑部影像数据，异常医疗影像数据可以为确定患有脑部肿瘤的脑部影像数据。
生成式对抗网络(GAN，Generative Adversarial Networks)是一种深度学习模型，模型通过框架中的至少两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。
因此，基于生成式对抗网络的异常医疗影像数据检测模型是用于检测医疗影像数据是否显示对应的个体患有某种疾病或表现出某种症状，即检测医疗影像数据是否异常。另外值得注意的是，在本实施例中，在对基于生成式对抗网络的异常医疗影像数据检测模型进行训练时，仅使用了正常医疗影像数据。
在本申请的一个实施例中，基于图6示出的实施例，所述区块链网络中还包括专家验证节点，所述专家验证节点用于验证医疗影像数据对应的标签是否准确，在获取区块链网络中至少一个数据节点提供的图像样本数据之后，所述方法还包括：
在每一数据节点提供的医疗影像数据和对应的标签中，随机选取预定数目组医疗影像数据和对应的标签发送至所述专家验证节点，以得到所述专家验证节点返回的对各医疗影像数据对应标签的验证结果；
根据所述验证结果，确定每一数据节点的标签估计准确率；
获取标签估计准确率大于预定标签估计准确率阈值的数据节点提供的医疗影像数据，作为目标医疗影像数据；
所述利用所述图像样本数据对所述分析节点上的第一图像分析模型进行训练，包括：
利用所述目标医疗影像数据和对应的标签对所述分析节点上的第一图像分析模型进行训练。
专家验证节点与一般的数据节点相比，在确定医疗影像数据对应标签的合法性方面更为权威，即可以为各医疗影像数据提供更为准确的标签。比如数据节点提供的医疗影像数据的标签可以是县级(区级)或市级医院的普通医师标注的，而专家验证节点可以设置在省级医院，由相应领域的专家级医师负责验证。验证结果可以是各种能够用于确定标签估计准确率的信息，比如，验证结果可以是每一组医疗影像数据对应的标签正确与否的判断结果，还可以是专家验证节点为每一组医疗影像数据标注的标签，因此，相应地，根据验证结果来确定每一数据节点的标签估计准确率的方式可以多种多样的，比如，若验证结果是每一组医疗影像数据对应的标签正确与否的判断结果，那么一个数据节点的标签估计准确率可以等于在该数据节点对应的预定数目组医疗影像数据和对应的标签中，对应的标签的判断结果为正确的组数与预定数目的比值。
在本实施例中，由于对于一个数据节点，并没有将该数据节点提供的全部医疗影像数据和对应的标签发送至专家验证节点，而是仅仅将在其中选取的预定数目组医疗影像数据和对应的标签发送至专家验证节点进行验证。所以对于一个数据节点来说，选取并发送至专家验证节点进行验证的医疗影像数据和对应的标签的组数并不足以准确说明该数据节点的标签准确率，但同时由于发送至专家验证节点的医疗影像数据和对应的标签是随机选取的，所以可以认为根据这些随机选取的数据确定的准确率可以近似等于标签准确率，因此将根据这些随机选取的数据确定的准确率称为标签估计准确率，意味着是对标签准确率的估计值。
在本实施例中，一方面，通过根据标签估计准确率来确定哪些数据节点提供的医疗影像数据和对应的标签能够用于对第一图像分析模型进行训练，保证了用于对第一图像分析模型进行训练的数据质量，从而提高了模型的训练效果；另一方面，由于仅使用了各数据节点提供的一部分数据来确定标签估计准确率，降低了专家验证节点的工作量，也提高了对第一图像分析模型进行训练的时效。
图6示出的实施例的好处是，由于在一般情况下，异常医疗影像数据的数量往往较小，即患病或者表现出某种症状的个体人数很少，因此仅用异常医疗影像数据无法满足训练异常医疗影像数据检测模型的需要，而正常医疗影像数据的数量往往远远大于异常医疗影像数据的数量，本实施例中通过用正常医疗影像数据对异常医疗影像数据检测模型，避免了异常医疗影像数据的数量不能满足训练模型需要的情况；另外，在进行异常医疗影像数据的检测时，一般采用的方法还可以有利用专家设定的规则来判断的方式，但目前无法穷举出所有能够进行异常医疗影像数据的检测的规则，检测的覆盖范围有限，因此本实施例还可以避免目前规则覆盖有限的问题。
在本申请的一个实施例中，基于图6所示出的实施例，所述区块链网络包括多个子网络，所述子网络包括至少一个数据节点和至少一个医疗机构节点，各数据节点所提供的所述图像样本数据是在医疗机构节点获得图像样本数据后，由医疗机构节点同步至该医疗机构节点所属的子网络中的数据节点上的。
本实施例的好处是，同一子网络中的各医疗机构节点的图像样本数据由该子网络下的数据节点统一管理，实现了数据获取与数据存储的分离，每一数据节点仅提供所属的子网络中的图像样本数据，降低了数据节点的存储负载，提高了数据节点的获取效率。
在本申请的一个实施例中，基于上述实施例，所述将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，包括：
将训练得到的第二图像分析模型的参数同步至所述区块链网络中的各医疗机构节点。
由于在前述实施例中，所述第一图像分析模型为基于生成式对抗网络的异常医疗影像数据检测模型，所以应用该异常医疗影像数据检测模型的场所一般为医疗机构，在本实施例中，通过将训练得到的第二图像分析模型的参数同步至所述区块链网络中需要这些参数的医疗机构节点，可以使医疗机构节点及时更新模型，对于需要应用该异常医疗影像数据检测模型的节点，保证了模型更新的时效性。
图8示出了根据本申请的另一个实施例的图像分析模型的分发方法应用的网络架构示意图。如图8所示，该网络架构包括分析节点810、第一子网络820、第二子网络830、第三子网络840和第四子网络850，其中每一子网络均包含一个数据节点和至少一个医疗机构节点，一个子网络中的数据节点与其他子网络中的数据节点之间、子网络中的数据节点与分析节点之间均可以进行双向数据的传输。在图8中，每一子网络中包含的与数据节点相连的圆圈即代表该子网络中的医疗机构节点，比如，医疗机构节点821即为属于第一子网络820的医疗机构节点中的一个，可以看到，各子网络均包括至少一个医疗机构节点，但各子网络中包含的医疗机构节点的数目是不固定的，比如，在第三子网络840和第四子网络850中分别包含两个医疗机构节点，但在第一子网络820和第二子网络830中分别包含三个医疗机构节点。
当图像分析模型的分发方法应用在图8示出的网络架构中时，一个具体过程可以是这样的：各子网络中的各医疗机构节点利用医疗设备生成医疗影像数据并打上对应的标签，接下来，各医疗结构节点将医疗影像数据和对应的标签发送至各医疗结构节点所属的子网络中的数据节点，由各数据节点进行存储并将医疗影像数据和对应的标签转发至分析节点，分析节点根据各医疗影像数据对应的标签，将医疗影像数据分为正常医疗影像数据和异常医疗影像数据；然后，分析节点利用正常医疗影像数据对分析节点上的第一图像分析模型进行训练，并利用异常医疗影像数据对经过训练的第二图像分析模型进行测试；最后，若第二图像分析模型通过测试，则分析节点会将第二图像分析模型的参数同步到至少一个数据节点，得到参数的数据节点会将该参数发送至该数据节点所属的子网络中的每一医疗机构节点，各医疗机构节点可以将得到的参数配置到各医疗机构节点上已经部署的第三图像分析模型，如此，各医疗机构节点便可以用配置好参数的第三图像分析模型进行图像分析，即进行异常医疗影像数据的检测。
在本申请的一个实施例中，基于图6示出的实施例，所述基于生成式对抗网络的异常医疗影像数据检测模型包括：原始编码器、解码器、再次编码器和分类器，其中：
所述原始编码器用于在接收到输入的原始医疗影像数据后，提取所述原始医疗影像数据的第一隐含向量；
所述解码器用于根据所述原始编码器输出的第一隐含向量重建与原始医疗影像数据对应的医疗影像构造数据；
所述再次编码器用于在获取到所述解码器输出的医疗影像构造数据后，提取所述医疗影像构造数据的第二隐含向量以对所述基于生成式对抗网络的异常医疗影像数据检测模型进行训练和测试；
所述分类器用于判断所述原始医疗影像数据和所述解码器输出的医疗影像构造数据是否异常。
一般的生成式对抗网络(GAN)的模型结构仅包括生成器(Generator)和判别器(Discriminator)，而在本实施例中所使用的基于生成式对抗网络的异常医疗影像数据检测模型，共包括了原始编码器(Original Encoder)、解码器(Decoder)、再次编码器(SecondEncoder)和分类器(Discriminator)四个部分，这种模型结构的设计不仅只需要利用正常医疗影像数据即可对异常医疗影像数据检测模型进行训练，还实现了对异常医疗影像数据的高精度检测。
在本申请的一个实施例中，所述再次编码器的结构与所述原始编码器的结构一致，所述原始编码器包括多层卷积层、与至少一层卷积层相连的批规范化层和与至少一层批规范化层相连的带泄露的线性整流激活函数层，所述解码器包括多层逆卷积层、与至少一层逆卷积层相连的带泄露的线性整流激活函数层、与至少一层带泄露的线性整流激活函数层相连的线性整流激活函数层和位于最后一层逆卷积层之后的输出激活函数层，所述分类器包括至少一层卷积层和分类层。
由于所述再次编码器的结构与所述原始编码器的结构一致，所以再次编码器与原始编码器输出的结果的类型是相同的，都是根据医疗影像数据的输入而输出相应的特征表示，即隐含向量。在本实施例中，原始编码器、解码器、再次编码器以及分类器均包括多层结构，因此本实施例提供的基于生成式对抗网络的异常医疗影像数据检测模型中的每一组件均为层层堆叠的结构。
在本实施例中，卷积(Conv)层，即卷积神经网络层，可以用于提取输入的数据的特征表示；批规范化(BatchNorm)层可以用于在对模型的训练过程中使每一层神经网络的输入保持相同分布；带泄露的线性整流激活函数(Leaky Rectified Linear Unit，LeakyReLU)层是一种激活函数，为线性整流激活函数(Rectified Linear Unit，ReLU)的一种变体，可以避免神经元死亡；逆卷积(ConvTranspose)层是卷积的逆过程，可以将输入的特征数据放大；输出激活函数层可以将输入的数据映射到非线性空间，可以基于各种激活函数，比如可以是Sigmoid函数、Tanh函数等；分类层可以用于根据输入的数据而输出相应的分类结果，比如，可以基于Softmax函数实现。
在本申请的一个实施例中，基于上述实施例，基于生成式对抗网络的异常医疗影像数据检测模型的结构或框架可以如图9所示。
图9示出了根据本申请的一个实施例的基于生成式对抗网络的异常医疗影像数据检测模型的结构示意图。参照图9所示，该异常医疗影像数据检测模型的结构包括：编码模块920、对抗模块930以及分类模块940，编码模块920可以包括原始编码器，对抗模块930可以包括解码器和再次编码器，分类模块940可以包括分类器，输入的原始医疗影像数据910会分别发送至编码模块920和分类模块940来进行异常医疗影像数据检测模型的训练，其中，原始医疗影像数据910被发送至编码模块920后，编码模块920中的原始编码器会提取原始医疗影像数据910的第一隐含向量，第一隐含向量被发送至对抗模块930后，对抗模块930中的解码器会利用第一隐含向量构建医疗影像构造数据，对抗模块930中的再次编码器可以提取由解码器输出的医疗影像构造数据的第二隐含向量950，并进行输出；分类模块940中的分类器可以获取原始医疗影像数据910和根据原始医疗影像数据910的输入由对抗模块930中的解码器对应输出的医疗影像构造数据，并对应输出对原始医疗影像数据的检测结果960。
对于图9示出的实施例，原始编码器、解码器、再次编码器和分类器都可以是层层堆叠的结构。原始编码器可以包括五层结构，每一层结构包括一层卷积层，其中第一层结构可以仅包括一层卷积层，第二层结构可以包括一层卷积层和与该卷积层相连的带泄露的线性整流激活函数层，对于第三至五层结构，每一层结构所包含的具体结构可以是相同的，比如，均可以包括一层卷积层、与该卷积层相连的批规范化层和与该批规范化层相连的带泄露的线性整流激活函数层；解码器可以包括五层结构，每一层结构可以包括一层逆卷积层，其中第一层结构可以包括一层逆卷积层和与该逆卷积层相连的带泄露的线性整流激活函数层，对于第二至四层结构，每一层结构所包含的具体结构可以是相同的，比如，每一层结构均可以包括一层逆卷积层、与该逆卷积层相连的带泄露的线性整流激活函数层以及与该带泄露的线性整流激活函数层相连的线性整流激活函数层，第五层结构可以包括一层逆卷积层和与该逆卷积层相连的输出激活函数层；再次编码器的结构可以与原始编码器的结构相同，此处不再赘述；分类器可以包括六层结构，其中，第一至五层结构可以与原始编码器或再次编码器的五层结构相同，而最后一层结构为分类层。
在本申请的一个实施例中，基于上述实施例，所述利用所述图像样本数据中的正常医疗影像数据对所述分析节点上的第一图像分析模型进行训练，包括：
利用所述图像样本数据中的正常医疗影像数据对所述分析节点上的异常医疗影像数据检测模型重复执行训练过程直至满足预设条件，所述训练过程包括：
通过最小化如下损失函数训练编码器和解码器：
其中，x为输入的原始医疗影像数据，z＝GE(x)为所述原始编码器输出的第一隐含向量，为所述解码器输出的医疗影像构造数据，为所述再次编码器输出的第二隐含向量，‖x-GD(z)‖为用于衡量原始医疗影像数据和所述医疗影像构造数据之间差异的指标，为用于衡量所述第一隐含向量和所述第二隐含向量之间差异的指标，α和β为权重系数，所述编码器包括原始编码器和再次编码器；
固定编码器和解码器的参数不变，通过最小化如下损失函数训练所述分类器：
其中，d(x)为分类器函数，该分类器函数为给定的医疗影像数据的输入与所述分类器中分类层之前的最后一层对于所述输入而对应的输出的结果之间的映射关系，为用于衡量原始医疗影像数据输入至分类器后，由分类器的中间层对应输出的结果和所述解码器输出的数据输入至分类器后，由分类器的中间层对应输出的结果之间的差异的指标；
固定所述分类器的参数不变，利用如下损失函数通过对抗方式训练编码器和解码器：
其中，d(x)为分类器函数，该分类器函数为给定的医疗影像数据的输入与所述分类器中分类层之前的最后一层对于所述输入而对应的输出的结果之间的映射关系，为用于衡量原始医疗影像数据输入至分类器后，由分类器的中间层对应输出的结果和所述解码器输出的数据输入至分类器后，由分类器的中间层对应输出的结果之间的差异的指标。
由于L1损失函数中包括‖x-GD(z)‖和分别衡量了原始医疗影像数据和所述医疗影像构造数据之间的差异以及所述第一隐含向量和所述第二隐含向量之间的差异，因此通过L1损失函数的训练，可以优化原始编码器、解码器以及再次编码器的参数，使生成的原始医疗影像数据和所述医疗影像构造数据之间、第一隐含向量和第二隐含向量之间在整体上足够相似；L2损失函数衡量了原始医疗影像数据输入至分类器后，由分类器的中间层对应输出的结果和所述解码器输出的数据输入至分类器后，由分类器的中间层对应输出的结果之间的差异，其中，分类器的中间层可以是分类器任意两层之间的其中一层，比如可以为分类层之前的最后一层，因此通过固定编码器和解码器的参数不变来训练L2损失函数，可以减少分类器的分类误差；通过固定分类器的参数不变来训练L3损失函数，此过程为利用博弈的方式训练编码器和解码器，比如，在图9实施例中，主要训练的是对抗模块930中的解码器和再次编码器的参数，通过使L3损失函数增大，从而使分类器无法区分是否为正常样本，进而可以进一步提高编码器和解码器的性能。
在本申请的一个实施例中，基于上述实施例，所述将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的第三图像分析模型后，用配置好参数的第三图像分析模型进行图像分析，包括：
将训练得到的异常医疗影像数据检测模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的异常医疗影像数据检测模型后，基于如下公式对医疗影像数据进行检测：
其中，为所述再次编码器输出的第二隐含向量，为用于衡量所述第一隐含向量和所述第二隐含向量之间差异的指标。
由于异常医疗影像数据检测模型仅利用了正常医疗影像数据进行训练和建模，当将异常医疗影像数据输入至异常医疗影像数据检测模型后，异常医疗影像数据检测模型就无法准确地生成隐含向量，导致第一隐含向量和第二隐含向量之间的差异，因此，当将一个医疗影像数据输入至异常医疗影像数据检测模型后，若计算得到的足够大，即可以认定该医疗影像数据是异常医疗影像数据。
下面，将结合图10来描述当本申请提供的图像分析模型的分发方法应用于医疗影像领域且图像分析模型为异常医疗影像数据检测模型时的模型训练过程。图10示出了根据本申请的一个实施例的异常医疗影像数据检测模型的训练过程的流程示意图。当分析节点获取到医疗影像数据后，首先对医疗影像数据进行分类，分为正常医疗影像数据和异常医疗影像数据两类，接下来，利用正常医疗影像数据进行模型的训练，得到经过训练的异常医疗影像数据检测模型；然后，使用异常医疗影像数据对经过训练的异常医疗影像数据检测模型的性能进行验证，验证的方式可以有很多种，比如可以通过判断模型的检测准确率来验证，当对模型的验证未通过时，需要重新训练模型直至对模型的验证通过，而当对模型的验证通过时，即可利用验证通过的模型对待识别医疗影像数据进行检测，可以判断待识别医疗影像数据是否异常。
下面继续参照图6，在步骤S440中，将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的第三图像分析模型后，用配置好参数的第三图像分析模型进行图像分析。
其中，所述第三图像分析模型与所述第二图像分析模型的模型架构相同。
第二图像分析模型是对第一图像分析模型经过步骤S420的训练后得到的模型，所以第一图像分析模型与第二图像分析模型是处于不同的训练进度的同一图像分析模型，第一图像分析模型与第二图像分析模型的模型架构或结构是相同的，第一图像分析模型与第二图像分析模型的不同之处在于，两个图像分析模型的参数不同。图像分析模型的参数和模型架构是决定图像分析模型的性能的核心因素。
在各节点将第二图像分析模型的参数配置到各节点上部署的第三图像分析模型之前，虽然各节点上部署的第三图像分析模型与所述第二图像分析模型的模型架构相同，但是第三图像分析模型仅仅是初始化了参数或者应用参数后的第三图像分析模型的性能滞后于第二图像分析模型，通过将第二图像分析模型的参数同步至各节点，可以更新各节点上部署的第三图像分析模型的参数。
由于所述第三图像分析模型与所述第二图像分析模型的模型架构相同，所以各节点在得到分析节点同步来的第二图像分析模型的参数并将参数配置到各节点上部署的第三图像分析模型后，各节点使用的第三图像分析模型基本上与第二图像分析模型是相同的，可以使分析节点上训练好的图像分析模型被及时同步至其他需要应用该图像分析模型的节点上。
在本申请的一个实施例中，各节点预先设有参数传递接口，各节点通过调用各节点上的参数传递接口，将所述第二图像分析模型的参数配置到各节点上部署的第三图像分析模型。
在本申请的一个实施例中，所述将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，包括：
将训练得到的第二图像分析模型的参数同步至所述区块链网络中向所述分析节点提供了图像样本数据的数据节点。
本实施例的好处是，通过将第二图像分析模型的参数同步至提供了图像样本数据的数据节点，在一定程度上可以提高这些数据节点提供图像样本数据的积极性，进而可以进一步提高图像分析模型的训练效率。
在本申请的一个实施例中，所述获取区块链网络中至少一个数据节点提供的图像样本数据，包括：
获取区块链网络中至少一个数据节点提供的图像样本数据和参数接收节点标识；
所述将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，包括：
根据各参数接收节点标识，将训练得到的第二图像分析模型的参数同步至所述区块链网络中各参数接收节点标识对应的参数接收节点。
一个数据节点提供的参数接收节点标识是该数据节点指示分析节点在训练得到第二图像分析模型后，需要将第二图像分析模型的参数同步至的节点的标识。
本实施例的好处是，使提供了图像样本数据的数据节点可以自定义需要将第二图像分析模型的参数同步至哪些节点，使区块链网络的图像分析模型的训练和分发更为协调和科学。
在本申请的一个实施例中，预先设有节点标识与地址对应关系表，所述根据各参数接收节点标识，将训练得到的第二图像分析模型的参数同步至所述区块链网络中各参数接收节点标识对应的参数接收节点，包括：
通过查询节点标识与地址对应关系表，确定与各参数接收节点标识对应的地址；
按照所述地址，将训练得到的第二图像分析模型的参数同步至所述区块链网络中各地址对应的节点。
在本申请的一个实施例中，所述将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，包括：
确定各数据节点提供的图像样本数据的数目；
根据所述数目，确定向所述区块链网络中所述各数据节点的同步顺序；
按照所述同步顺序，将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述各数据节点。
在本申请的一个实施例中，所述根据所述数目，确定向所述区块链网络中所述各数据节点的同步顺序，包括：
对各数据节点按照所述数目从大到小进行排序，作为向所述区块链网络中所述各数据节点的同步顺序。
本实施例的好处是，通过使提供的图像样本数据的数目更多的数据节点，即为训练图像分析模型做出了更多贡献的数据节点，可以优先得到同步来的第二图像分析模型的参数，提高了参数同步的公平性。
在本申请的一个实施例中，所述根据所述数目，确定向所述区块链网络中所述各数据节点的同步顺序，包括：
按照从大到小的顺序将各数据节点提供的图像样本数据的数目划分为预定数目个区间，其中，每一图像样本数据的数目仅属于一个区间；
对各数据节点按照所述数目从大到小进行排序；
对所述数目属于同一区间的数据节点随机进行排序，作为向所述区块链网络中所述各数据节点的同步顺序。
由于各数据节点对训练图像分析模型做出的贡献大小并不一定完全与提供的图像样本数据的数量呈正相关的关系，比如，有的数据节点虽然提供的图像样本数据的数量很多，但大多质量很差，比如图像模糊、图像样本数据质量差等，因此本实施例的好处是，通过向所述数目属于同一区间的数据节点按照随机顺序同步参数，而向所述数目属于不同区间的数据节点的参数同步顺序依旧取决于数据节点提供的图像样本数据的数量，在一定程度上提高了参数同步的公平性。
在本申请的一个实施例中，所述将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，包括：
确定各数据节点提供的图像样本数据的数目；
确定所述数目大于第一预定数目阈值的数据节点，作为目标数据节点；
将训练得到的第二图像分析模型的参数同步至所述区块链网络中的各目标数据节点。
本实施例的好处在于，只有提供的图像样本数据的数目达到一定数量的数据节点才能得到第二图像分析模型的参数，在一定程度上可以提高数据节点提供图像样本数据的积极性，从而可以提高图像分析模型的训练效率。
在本申请的一个实施例中，图6中步骤S420之后还可以包括步骤S430，步骤S440具体可以包括步骤S440"。
图7示出了根据本申请的一个实施例的图6中步骤S420之后步骤以及步骤440的一个具体流程图。参照图7所示，可以包括以下步骤：
在步骤S430中，利用所述图像样本数据中的异常医疗影像数据对经过训练的所述基于生成式对抗网络的异常医疗影像数据检测模型进行测试。
所述异常医疗影像数据为标签指示对应的医疗影像数据为异常的医疗影像数据。
对基于生成式对抗网络的异常医疗影像数据检测模型进行测试的过程是评估异常医疗影像数据检测模型的性能是否满足预期要求的过程。
由于基于生成式对抗网络的异常医疗影像数据检测模型的目的是对异常医疗影像数据进行检测或识别，所以可以用异常医疗影像数据对异常医疗影像数据检测模型进行测试。
对异常医疗影像数据检测模型进行测试的过程可以是这样的，将异常医疗影像数据输入至异常医疗影像数据检测模型，可以得到异常医疗影像数据检测模型对应输出的检测结果，检测结果可以为异常或正常，若检测结果为正常，那么异常医疗影像数据检测模型就对该异常医疗影像数据进行了错误识别，可以将多个异常医疗影像数据分别输入至异常医疗影像数据检测模型，得到与每一异常医疗影像数据对应的检测结果，获取检测结果为异常的异常医疗影像数据的数目与输入至异常医疗影像数据检测模型的所有异常医疗影像数据的数目比值作为对异常医疗影像数据检测模型进行测试得到的准确率，然后可以根据准确率与预定准确率阈值的比较来确定对异常医疗影像数据检测模型进行的测试是否通过。
比如，对异常医疗影像数据检测模型进行测试得到的准确率为70％，而预定准确率阈值为80％，由于70％小于80％，那么可以确定异常医疗影像数据检测模型未通过本次测试。
在步骤S440"中，将通过测试的所述基于生成式对抗网络的异常医疗影像数据检测模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点。
基于生成式对抗网络的异常医疗影像数据检测模型通过测试后，即认为该模型能够很好地运行下去并具有良好的性能，可以满足一般的异常医疗影像数据的检测需要，所以可以将该模型的参数同步至其他节点。
图7示出的实施例的好处是，在异常医疗影像数据检测模型通过测试的情况下，其参数才会被同步至其他节点，使得其他节点将得到的参数配置到模型上后，这些节点部署的模型具有良好的性能，在更大程度上保证了检测的效果。
在本申请的一个实施例中，所述区块链网络中所述分析节点之外的每一节点均部署了第三图像分析模型，图5示出了根据本申请的一个实施例的图4中步骤440的一个具体流程图，参照图5所示，步骤S440可以包括以下步骤：
在步骤S440'中，将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的所有节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的第三图像分析模型后，用配置好参数的第三图像分析模型进行图像分析。
在本实施例中，通过将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的所有节点，使得区块链网络中的更多节点可以及时对图像分析模型进行更新，提高了图像分析模型的应用范围。
综上所述，根据图4实施例提供的图像分析模型的分发方法，一方面，通过利用区块链网络来获取用于训练图像分析模型的数据，由于数据的来源更广泛，可以获取到更多的图像数据，从而可以提高图像分析模型的训练效果；另一方面，通过将训练得到的图像分析模型的参数同步至区块链网络中的其他节点，使得最新训练好的图像分析模型可以被迅速应用到其他节点，提高了图像分析模型的分发更新效率，这样就建立起了包含图像分析模型的数据获取、模型训练以及模型分发等环节的一整套图像分析模型的高效迭代机制，另外，分析节点可以不用单独为训练图像分析模型存储大量数据，在获取到图像样本数据并用于图像分析模型的训练后，可以随时删除数据，在保证了图像分析模型的训练效果的同时，降低了分析节点上同时存储的用于训练图像分析模型的图像样本数据的数量，从而降低了存储成本。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的图像分析模型的分发方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的图像分析模型的分发方法的实施例。
图11示出了根据本申请的一个实施例的图像分析模型的分发装置的框图。
参照图11所示，根据本申请的一个实施例的图像分析模型的分发装置1100，该装置1100为区块链网络中的分析节点，该装置1100包括：数据获取模块1110、模型训练模块1120和同步模块1130。
其中，数据获取模块1110，用于获取区块链网络中至少一个数据节点提供的图像样本数据，所述区块链网络包括多个节点；模型训练模块1120，用于利用所述图像样本数据对所述分析节点上的第一图像分析模型进行训练；同步模块1130，用于将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的第三图像分析模型后，用配置好参数的第三图像分析模型进行图像分析，其中，所述第三图像分析模型与所述第二图像分析模型的模型架构相同。
在本申请的一些实施例中，基于前述方案，所述区块链网络中所述分析节点之外的每一节点均部署了第三图像分析模型，同步模块1130还用于：将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的所有节点。
在本申请的一些实施例中，基于前述方案，所述图像样本数据包括医疗影像数据和对应的标签，所述标签指示对应的医疗影像数据为异常或正常，所述模型训练模块1120还用于：利用所述图像样本数据中的正常医疗影像数据对所述分析节点上的第一图像分析模型进行训练，所述第一图像分析模型为基于生成式对抗网络的异常医疗影像数据检测模型，所述正常医疗影像数据为标签指示对应的医疗影像数据为正常的医疗影像数据。
在本申请的一些实施例中，基于前述方案，在利用所述图像样本数据对所述分析节点上的第一图像分析模型进行训练之后，所述模型训练模块1120还用于：利用所述图像样本数据中的异常医疗影像数据对经过训练的所述基于生成式对抗网络的异常医疗影像数据检测模型进行测试，所述异常医疗影像数据为标签指示对应的医疗影像数据为异常的医疗影像数据；所述同步模块1130还用于：将通过测试的所述基于生成式对抗网络的异常医疗影像数据检测模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点。
在本申请的一些实施例中，基于前述方案，所述区块链网络包括多个子网络，所述子网络包括至少一个数据节点和至少一个医疗机构节点，各数据节点所提供的所述图像样本数据是在医疗机构节点获得图像样本数据后，由医疗机构节点同步至该医疗机构节点所属的子网络中的数据节点上的。
在本申请的一些实施例中，基于前述方案，所述基于生成式对抗网络的异常医疗影像数据检测模型包括：原始编码器、解码器、再次编码器和分类器，其中：
所述原始编码器用于在接收到输入的原始医疗影像数据后，提取所述原始医疗影像数据的第一隐含向量；
所述解码器用于根据所述原始编码器输出的第一隐含向量重建与原始医疗影像数据对应的医疗影像构造数据；
所述再次编码器用于在获取到所述解码器输出的医疗影像构造数据后，提取所述医疗影像构造数据的第二隐含向量以对所述基于生成式对抗网络的异常医疗影像数据检测模型进行训练和测试；
所述分类器用于判断所述原始医疗影像数据和所述解码器输出的医疗影像构造数据是否异常。
在本申请的一些实施例中，基于前述方案，所述再次编码器的结构与所述原始编码器的结构一致，所述原始编码器包括多层卷积层、与至少一层卷积层相连的批规范化层和与至少一层批规范化层相连的带泄露的线性整流激活函数层，所述解码器包括多层逆卷积层、与至少一层逆卷积层相连的带泄露的线性整流激活函数层、与至少一层带泄露的线性整流激活函数层相连的线性整流激活函数层和位于最后一层逆卷积层之后的输出激活函数层，所述分类器包括至少一层卷积层和分类层。
在本申请的一些实施例中，基于前述方案，所述模型训练模块1120还用于：
利用所述图像样本数据中的正常医疗影像数据对所述分析节点上的异常医疗影像数据检测模型重复执行训练过程直至满足预设条件，所述训练过程包括：
通过最小化如下损失函数训练编码器和解码器：
其中，x为输入的原始医疗影像数据，z＝GE(x)为所述原始编码器输出的第一隐含向量，为所述解码器输出的医疗影像构造数据，为所述再次编码器输出的第二隐含向量，‖x-GD(z)‖为用于衡量原始医疗影像数据和所述医疗影像构造数据之间差异的指标，为用于衡量所述第一隐含向量和所述第二隐含向量之间差异的指标，α和β为权重系数，所述编码器包括原始编码器和再次编码器；
固定编码器和解码器的参数不变，通过最小化如下损失函数训练所述分类器：
其中，d(x)为分类器函数，该分类器函数为给定的医疗影像数据的输入与所述分类器中分类层之前的最后一层对于所述输入而对应的输出的结果之间的映射关系，为用于衡量原始医疗影像数据输入至分类器后，由分类器的中间层对应输出的结果和所述解码器输出的数据输入至分类器后，由分类器的中间层对应输出的结果之间的差异的指标；
固定所述分类器的参数不变，利用如下损失函数通过对抗方式训练编码器和解码器：
其中，d(x)为分类器函数，该分类器函数为给定的医疗影像数据的输入与所述分类器中分类层之前的最后一层对于所述输入而对应的输出的结果之间的映射关系，为用于衡量原始医疗影像数据输入至分类器后，由分类器的中间层对应输出的结果和所述解码器输出的数据输入至分类器后，由分类器的中间层对应输出的结果之间的差异的指标。
在本申请的一些实施例中，基于前述方案，所述同步模块1130还用于：
将训练得到的异常医疗影像数据检测模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的异常医疗影像数据检测模型后，基于如下公式对医疗影像数据进行检测：
其中，为所述再次编码器输出的第二隐含向量，为用于衡量所述第一隐含向量和所述第二隐含向量之间差异的指标。
图12示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图12示出的电子设备的计算机系统1200仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示，计算机系统1200包括中央处理单元(Central Processing Unit，CPU)1201，其可以根据存储在只读存储器(Read-Only Memory，ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(Random Access Memory，RAM)1203中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1203中，还存储有系统操作所需的各种程序和数据。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(Input/Output，I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。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、或半导体的系统、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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，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系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种图像分析模型的分发方法，其特征在于，所述方法由区块链网络中的分析节点执行，所述方法包括：
获取区块链网络中至少一个数据节点提供的图像样本数据，所述区块链网络包括多个节点；
利用所述图像样本数据对所述分析节点上的第一图像分析模型进行训练；
将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的第三图像分析模型后，用配置好参数的第三图像分析模型进行图像分析，其中，所述第三图像分析模型与所述第二图像分析模型的模型架构相同。
2.根据权利要求1所述的方法，其特征在于，所述图像样本数据包括医疗影像数据和对应的标签，所述标签指示对应的医疗影像数据为异常或正常，
所述利用所述图像样本数据对所述分析节点上的第一图像分析模型进行训练，包括：
利用所述图像样本数据中的正常医疗影像数据对所述分析节点上的第一图像分析模型进行训练，所述第一图像分析模型为基于生成式对抗网络的异常医疗影像数据检测模型，所述正常医疗影像数据为标签指示对应的医疗影像数据为正常的医疗影像数据。
3.根据权利要求2所述的方法，其特征在于，在利用所述图像样本数据对所述分析节点上的第一图像分析模型进行训练之后，所述方法还包括：
利用所述图像样本数据中的异常医疗影像数据对经过训练的所述基于生成式对抗网络的异常医疗影像数据检测模型进行测试，所述异常医疗影像数据为标签指示对应的医疗影像数据为异常的医疗影像数据；
所述将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，包括：
将通过测试的所述基于生成式对抗网络的异常医疗影像数据检测模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点。
4.根据权利要求2所述的方法，其特征在于，所述区块链网络包括多个子网络，所述子网络包括至少一个数据节点和至少一个医疗机构节点，各数据节点所提供的所述图像样本数据是在医疗机构节点获得图像样本数据后，由医疗机构节点同步至该医疗机构节点所属的子网络中的数据节点上的。
5.根据权利要求2所述的方法，其特征在于，所述基于生成式对抗网络的异常医疗影像数据检测模型包括：原始编码器、解码器、再次编码器和分类器，其中：
所述原始编码器用于在接收到输入的原始医疗影像数据后，提取所述原始医疗影像数据的第一隐含向量；
所述解码器用于根据所述原始编码器输出的第一隐含向量重建与原始医疗影像数据对应的医疗影像构造数据；
所述再次编码器用于在获取到所述解码器输出的医疗影像构造数据后，提取所述医疗影像构造数据的第二隐含向量以对所述基于生成式对抗网络的异常医疗影像数据检测模型进行训练和测试；
所述分类器用于判断所述原始医疗影像数据和所述解码器输出的医疗影像构造数据是否异常。
6.根据权利要求5所述的方法，其特征在于，所述再次编码器的结构与所述原始编码器的结构一致，所述原始编码器包括多层卷积层、与至少一层卷积层相连的批规范化层和与至少一层批规范化层相连的带泄露的线性整流激活函数层，所述解码器包括多层逆卷积层、与至少一层逆卷积层相连的带泄露的线性整流激活函数层、与至少一层带泄露的线性整流激活函数层相连的线性整流激活函数层和位于最后一层逆卷积层之后的输出激活函数层，所述分类器包括至少一层卷积层和分类层。
7.根据权利要求6所述的方法，其特征在于，所述利用所述图像样本数据中的正常医疗影像数据对所述分析节点上的第一图像分析模型进行训练，包括：
利用所述图像样本数据中的正常医疗影像数据对所述分析节点上的异常医疗影像数据检测模型重复执行训练过程直至满足预设条件，所述训练过程包括：
通过最小化如下损失函数训练编码器和解码器：
其中，x为输入的原始医疗影像数据，z＝GE(x)为所述原始编码器输出的第一隐含向量，为所述解码器输出的医疗影像构造数据，为所述再次编码器输出的第二隐含向量，‖x-GD(z)‖为用于衡量原始医疗影像数据和所述医疗影像构造数据之间差异的指标，为用于衡量所述第一隐含向量和所述第二隐含向量之间差异的指标，α和β为权重系数，所述编码器包括原始编码器和再次编码器；
固定编码器和解码器的参数不变，通过最小化如下损失函数训练所述分类器：
其中，d(x)为分类器函数，该分类器函数为给定的医疗影像数据的输入与所述分类器中分类层之前的最后一层对于所述输入而对应的输出的结果之间的映射关系，为用于衡量原始医疗影像数据输入至分类器后，由分类器的中间层对应输出的结果和所述解码器输出的数据输入至分类器后，由分类器的中间层对应输出的结果之间的差异的指标；
固定所述分类器的参数不变，利用如下损失函数通过对抗方式训练编码器和解码器：
其中，d(x)为分类器函数，该分类器函数为给定的医疗影像数据的输入与所述分类器中分类层之前的最后一层对于所述输入而对应的输出的结果之间的映射关系，为用于衡量原始医疗影像数据输入至分类器后，由分类器的中间层对应输出的结果和所述解码器输出的数据输入至分类器后，由分类器的中间层对应输出的结果之间的差异的指标。
8.根据权利要求7所述的方法，其特征在于，所述将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的第三图像分析模型后，用配置好参数的第三图像分析模型进行图像分析，包括：
将训练得到的异常医疗影像数据检测模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的异常医疗影像数据检测模型后，基于如下公式对医疗影像数据进行检测：
其中，为所述再次编码器输出的第二隐含向量，为用于衡量所述第一隐含向量和所述第二隐含向量之间差异的指标。
9.根据权利要求1所述的方法，其特征在于，所述区块链网络中所述分析节点之外的每一节点均部署了第三图像分析模型，所述将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，包括：
将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的所有节点。
10.一种图像分析模型的分发装置，其特征在于，所述装置为区块链网络中的分析节点，所述装置包括：
数据获取模块，被配置为获取区块链网络中至少一个数据节点提供的图像样本数据，所述区块链网络包括多个节点；
模型训练模块，被配置为利用所述图像样本数据对所述分析节点上的第一图像分析模型进行训练；
同步模块，被配置为将训练得到的第二图像分析模型的参数同步至所述区块链网络中所述分析节点之外的至少一个节点，以便各节点在将所述第二图像分析模型的参数配置到各节点上部署的第三图像分析模型后，用配置好参数的第三图像分析模型进行图像分析，其中，所述第三图像分析模型与所述第二图像分析模型的模型架构相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910812937.1A CN110597628B (zh) | 2019-08-29 | 2019-08-29 | 模型分发方法、装置、计算机可读介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910812937.1A CN110597628B (zh) | 2019-08-29 | 2019-08-29 | 模型分发方法、装置、计算机可读介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110597628A true CN110597628A (zh) | 2019-12-20 |
| CN110597628B CN110597628B (zh) | 2023-10-10 |
Family
ID=68856879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910812937.1A Active CN110597628B (zh) | 2019-08-29 | 2019-08-29 | 模型分发方法、装置、计算机可读介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110597628B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339443A (zh) * | 2020-03-09 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 用户标签确定方法、装置、计算机设备及存储介质 |
| CN111613304A (zh) * | 2020-05-19 | 2020-09-01 | 全链通有限公司 | 医疗影像处理方法、设备及存储介质 |
| CN111627530A (zh) * | 2020-05-19 | 2020-09-04 | 全链通有限公司 | 医疗影像的识别方法、设备及存储介质 |
| CN111882291A (zh) * | 2020-06-30 | 2020-11-03 | 达闼机器人有限公司 | 用户数据处理方法、区块链网络、存储介质及节点设备 |
| CN111899848A (zh) * | 2020-08-05 | 2020-11-06 | 中国联合网络通信集团有限公司 | 图像识别方法及设备 |
| CN112102285A (zh) * | 2020-09-14 | 2020-12-18 | 辽宁工程技术大学 | 一种基于多模态对抗训练的骨龄检测方法 |
| CN117274245A (zh) * | 2023-11-17 | 2023-12-22 | 深圳市嘉熠精密自动化科技有限公司 | 基于图像处理技术的aoi光学检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180225823A1 (en) * | 2017-02-09 | 2018-08-09 | Siemens Healthcare Gmbh | Adversarial and Dual Inverse Deep Learning Networks for Medical Image Analysis |
| CN109194510A (zh) * | 2018-08-27 | 2019-01-11 | 联想(北京)有限公司 | 基于区块链的数据处理方法和装置 |
| CN109447183A (zh) * | 2018-11-27 | 2019-03-08 | 东软集团股份有限公司 | 模型训练方法、装置、设备以及介质 |
-
2019
- 2019-08-29 CN CN201910812937.1A patent/CN110597628B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180225823A1 (en) * | 2017-02-09 | 2018-08-09 | Siemens Healthcare Gmbh | Adversarial and Dual Inverse Deep Learning Networks for Medical Image Analysis |
| CN109194510A (zh) * | 2018-08-27 | 2019-01-11 | 联想(北京)有限公司 | 基于区块链的数据处理方法和装置 |
| CN109447183A (zh) * | 2018-11-27 | 2019-03-08 | 东软集团股份有限公司 | 模型训练方法、装置、设备以及介质 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339443B (zh) * | 2020-03-09 | 2023-04-07 | 腾讯科技（深圳）有限公司 | 用户标签确定方法、装置、计算机设备及存储介质 |
| CN111339443A (zh) * | 2020-03-09 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 用户标签确定方法、装置、计算机设备及存储介质 |
| CN111627530B (zh) * | 2020-05-19 | 2023-11-17 | 全链通有限公司 | 医疗影像的识别方法、设备及存储介质 |
| CN111627530A (zh) * | 2020-05-19 | 2020-09-04 | 全链通有限公司 | 医疗影像的识别方法、设备及存储介质 |
| CN111613304B (zh) * | 2020-05-19 | 2023-05-30 | 全链通有限公司 | 医疗影像处理方法、设备及存储介质 |
| CN111613304A (zh) * | 2020-05-19 | 2020-09-01 | 全链通有限公司 | 医疗影像处理方法、设备及存储介质 |
| CN111882291A (zh) * | 2020-06-30 | 2020-11-03 | 达闼机器人有限公司 | 用户数据处理方法、区块链网络、存储介质及节点设备 |
| CN111899848A (zh) * | 2020-08-05 | 2020-11-06 | 中国联合网络通信集团有限公司 | 图像识别方法及设备 |
| CN111899848B (zh) * | 2020-08-05 | 2023-07-07 | 中国联合网络通信集团有限公司 | 图像识别方法及设备 |
| CN112102285A (zh) * | 2020-09-14 | 2020-12-18 | 辽宁工程技术大学 | 一种基于多模态对抗训练的骨龄检测方法 |
| CN112102285B (zh) * | 2020-09-14 | 2024-03-12 | 辽宁工程技术大学 | 一种基于多模态对抗训练的骨龄检测方法 |
| CN117274245A (zh) * | 2023-11-17 | 2023-12-22 | 深圳市嘉熠精密自动化科技有限公司 | 基于图像处理技术的aoi光学检测方法及系统 |
| CN117274245B (zh) * | 2023-11-17 | 2024-02-27 | 深圳市嘉熠精密自动化科技有限公司 | 基于图像处理技术的aoi光学检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110597628B (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110597628B (zh) | 模型分发方法、装置、计算机可读介质及电子设备 | |
| Kim et al. | Measurement invariance testing with many groups: A comparison of five approaches | |
| Jovanovic et al. | Building interpretable predictive models for pediatric hospital readmission using Tree-Lasso logistic regression | |
| US20180144244A1 (en) | Distributed clinical workflow training of deep learning neural networks | |
| CN111275207A (zh) | 基于半监督的横向联邦学习优化方法、设备及存储介质 | |
| CN111046027B (zh) | 时间序列数据的缺失值填充方法和装置 | |
| Rokni et al. | Plug-n-learn: automatic learning of computational algorithms in human-centered internet-of-things applications | |
| JP2021056995A (ja) | 医用情報処理装置、医用情報処理システム及び医用情報処理方法 | |
| Khan et al. | Secure IoMT for disease prediction empowered with transfer learning in healthcare 5.0, the concept and case study | |
| CN110299202A (zh) | 智能疾病诊断方法、装置、设备及存储介质 | |
| CN109616205A (zh) | 数据处理方法、装置、介质及电子设备 | |
| JP2022530868A (ja) | 機械学習に基づくターゲットオブジェクト属性予測方法、関連機器及びコンピュータプログラム | |
| Raunak et al. | Quantifying validation of discrete event simulation models | |
| CN110597719A (zh) | 一种用于适配测试的图像聚类方法、装置及介质 | |
| CN109243600A (zh) | 用于输出信息的方法和装置 | |
| CN111445984A (zh) | 一种管理医生平台的方法及装置 | |
| CN111159241A (zh) | 一种点击转化预估方法及装置 | |
| EP3754550A1 (en) | Method for providing an aggregate algorithm for processing medical data and method for processing medical data | |
| US11075004B2 (en) | Discrimination result providing apparatus, operating method of discrimination result providing apparatus, discrimination result providing program, and discrimination result providing system | |
| Rodriguez et al. | A reference architecture for healthcare supportive home systems | |
| CN112397195B (zh) | 用于生成体格检查模型的方法、装置、电子设备和介质 | |
| US20230162487A1 (en) | System and method for deep learning techniques utilizing continuous federated learning with a distributed data generative model | |
| US11694790B2 (en) | Matching a subject to resources | |
| CN111933283A (zh) | 一种健康监测方法及装置 | |
| CN114360732B (zh) | 医疗数据分析方法、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 |