CN111584045A - 一种超声影像模型的自训练及自部署系统及方法 - Google Patents
一种超声影像模型的自训练及自部署系统及方法 Download PDFInfo
- Publication number
- CN111584045A CN111584045A CN202010409324.6A CN202010409324A CN111584045A CN 111584045 A CN111584045 A CN 111584045A CN 202010409324 A CN202010409324 A CN 202010409324A CN 111584045 A CN111584045 A CN 111584045A
- Authority
- CN
- China
- Prior art keywords
- historical
- ultrasonic image
- current
- training
- loss value
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供一种超声影像模型的自训练及自部署系统及方法,涉及深度学习技术领域,包括:数据导入模块,用于将超声影像和关联的临床诊断结果作为标准超声影像数据导入云端服务器;云端服务器,接收标准超声影像数据,根据标准超声影像数据和预先获取的历史训练数据集中的各历史超声影像数据和历史预测损失值训练得到当前超声影像模型,并计算当前超声影像模型的当前损失值;将当前超声影像模型及当前预测损失值进行备份,并部署当前超声影像模型以供后续模型推断使用。有益效果是能够实现超声影像模型的自训练和自部署,实现人工智能快速迭代。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种超声影像模型的自训练及自部署系统及方法。
背景技术
目前人工智能超声影像模型,一般在研发阶段进行模型训练和系数调整,最后进行部署。但在部署后如果遇到新的特殊数据无法推断,只能重新回到研发阶段再进行模型训练和系数调整,调整后再进行部署。这里就会产生两个问题:第一,重新训练需要回到研发阶段进行模型训练和系数调整,那么模型会有会由于人为原因造成错误尚未可知,而且也无法实时的进行模型的迭代效率低下;第二,传统训练需要遵循按照批次的方式进行再训练,否则可能让模型无法收敛,所以不能在每次遇到特殊数据后就马上进行调整,必须收集足够多数据后才能进行再训练和重新部署,这个也不能满足我们对人工智能进行快速迭代的需求。
发明内容
针对现有技术中存在的问题,本发明提供一种超声影像模型的自训练及自部署系统,具体包括:
至少一数据导入模块,用于供操作者将包含超声影像和医生根据所述超声影像给出的临床诊断结果的标准超声影像数据进行导入;
云端服务器,连接所述数据导入模块,所述云端服务器包括:
第一存储模块,用于将预先获取的若干历史超声影像数据作为历史训练数据集进行保存;
第二存储模块,用于保存根据所述历史训练数据集训练得到的历史超声影像模型,以及所述历史超声影像模型关联的历史预测损失值;
数据训练模块,分别连接所述第一存储模块和所述第二存储模块,用于在每次接收到所述标准超声影像数据时,根据所述标准超声影像数据、所述历史训练数据集中的各所述历史超声影像数据和所述历史预测损失值对所述历史超声影像模型进行模型再训练得到当前超声影像模型,并计算所述当前超声影像模型的当前预测损失值;
模型部署模块,分别连接所述第二存储模块、所述数据训练模块和一第三存储模块,用于将所述当前超声影像模型及所述当前预测损失值备份至所述第二存储模块,以对所述第二存储模块进行更新,并将所述当前超声影像模型部署至所述第三存储模块以供后续模型推断使用。
优选的,还包括一第四存储模块,分别连接所述第二存储模块、所述数据训练模块和所述第三存储模块,所述第四存储模块包括:
第一存储单元,用于实时保存所述数据训练模块在训练过程中生成的训练日志,以供后续查阅;和/或
第二存储单元,用于实时保存所述第二存储模块和所述第三存储模块在更新及模型部署时生成的更新日志,以供后续查阅。
优选的,所述第四存储模块还包括一第三存储单元,用于在使用所述第三存储模块中当前部署的超声影像模型进行推理的过程中,计算并记录所述超声影像模型的历史推理成功率。
优选的,还包括一应用端,连接所述云端服务器,用于根据所述第三存储模块中当前部署的所述超声影像模型和所述历史推理成功率对一待推断超声影像数据进行推断,得到当前推断结果以及当前推断成功率,并将所述当前推断成功率发送至所述云端服务器进行保存,以对所述第三存储单元进行更新;
医生根据所述当前推断成功率决定是否使用所述当前推断结果。
优选的,所述数据训练模块具体包括:
数据接收单元,用于接收导入的所述标准超声影像数据;
数据训练单元,连接所述数据接收单元,用于由所述历史训练数据集中分批提取所述历史超声影像数据并加入一当前训练数据集,在每次提取所述历史超声影像数据时将所述标准超声影像数据加入所述当前训练数据集,根据所述当前训练数据集训练得到更新超声影像模型,并计算所述更新超声影像模型关联的更新预测损失值;
第一比较单元,连接所述数据训练单元,用于将所述更新预测损失值与所述历史预测损失值进行比较,并在所述更新预测损失值不小于所述历史预测损失值时输出第一比较结果,以及在所述更新预测损失值小于所述历史预测损失值时,将所述更新超声影像模型作为所述当前超声影像模型,将所述标准超声影像数据保存至所述历史训练数据集中,并将所述更新预测损失值作为所述当前预测损失值输出;
第二比较单元,连接所述第一比较单元,用于根据所述第一比较结果统计所述当前训练数据集中的所述历史超声影像数据的当前数量,并将所述当前数量与所述历史训练数据集中的所述历史超声影像数据的总数量进行比较,在所述当前数量小于所述总数量时,继续提取下一批所述历史超声影像数据进行训练,以及
在所述当前数量不小于所述总数量时,将所述历史超声影像模型作为所述当前超声影像模型,舍弃所述标准超声影像数据,并将所述历史预测损失值作为所述当前损失值输出。
一种超声影像模型的自训练及自部署方法,应用以上任意一项所述的人工智能超声影像模型的自适应部署系统,所述云端服务器中保存有预先获取的若干历史超声影像数据作为历史训练数据集,根据所述历史训练数据集训练得到的所述历史超声影像模型,以及所述历史超声影像模型关联的历史预测损失值;
则所述自训练及自部署方法具体包括以下步骤:
步骤S1,所述云端服务器在每次接收到外部导入的包含包含超声影像和医生根据所述超声影像给出的临床诊断结果的标准超声影像数据时,根据所述标准超声影像数据和所述历史训练数据集中的各所述历史超声影像数据训练得到当前超声影像模型,并计算所述当前超声影像模型的当前预测损失值;
步骤S2,所述云端服务器将所述当前超声影像模型及所述当前预测损失值进行备份,并部署所述当前超声影像模型以供后续模型推断使用。
优选的,所述步骤S1具体包括:
步骤S11,所述云端服务器接收外部导入的所述标准超声影像数据,并将所述标准超声影像数据和由所述历史训练数据集中提取的若干所述历史超声影像数据加入一当前训练数据集;
步骤S12,所述云端服务器根据所述当前训练数据集训练得到更新超声影像模型,并计算得到所述更新超声影像模型关联的更新预测损失值;
步骤S13,所述云端服务器将所述更新预测损失值与所述历史预测损失值进行比较:
若所述更新预测损失值小于所述历史预测损失值,则将所述更新超声影像模型作为所述当前超声影像模型,将所述标准超声影像数据保存至所述历史训练数据集中,并将所述更新预测损失值作为所述当前预测损失值输出,随后转向步骤S2;
若所述更新预测损失值不小于所述历史预测损失值,则转向步骤S14;
步骤S14,所述云端服务器统计所述当前训练数据集中的所述历史超声影像数据的当前数量,并将所述当前数量与所述历史训练数据集中的所述历史超声影像数据的总数量进行比较:
若所述当前数量小于所述总数量,则继续由所述历史训练数据集中提取若干所述历史超声影像数据加入所述当前训练数据集,以扩充所述当前训练数据集,随后返回所述步骤S12;
若所述当前数量不小于所述总数量,则将所述历史超声影像模型作为所述当前超声影像模型,舍弃所述标准超声影像数据,并将所述历史预测损失值作为所述当前损失值输出。
优选的,还包括日志存储的过程,具体包括:
实时保存所述数据训练模块在训练过程中生成的训练日志,以供后续查阅;和/或
实时保存所述当前超声影像模型的更新及模型部署时生成的更新日志,以供后续查阅。
上述技术方案具有如下优点或有益效果:能够实现超声影像模型的自训练和自部署,无需人工参与,能够实现人工智能快速迭代,有效提升用户的使用体验。
附图说明
图1为本发明的较佳的实施例中,一种超声影像模型的自训练及自部署系统的结构示意图;
图2为本发明的较佳的实施例中,一种超声影像模型的自训练及自部署方法的流程示意图;
图3为本发明的较佳的实施例中,模型训练的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式,只要符合本发明的主旨,则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种超声影像模型的自训练及自部署系统,如图1所示,具体包括:
至少一数据导入模块1,用于供操作者将包含超声影像和医生根据超声影像给出的临床诊断结果的标准超声影像数据进行导入;
云端服务器2,连接数据导入模块1,云端服务器2包括:
第一存储模块21,用于将预先获取的若干历史超声影像数据作为历史训练数据集进行保存;
第二存储模块22,用于保存根据历史训练数据集训练得到的历史超声影像模型,以及历史超声影像模型关联的历史预测损失值;
数据训练模块23,分别连接第一存储模块21和第二存储模块22,用于在每次接收到标准超声影像数据时,根据标准超声影像数据、历史训练数据集中的各历史超声影像数据和历史预测损失值对历史超声影像模型进行模型再训练得到当前超声影像模型,并计算当前超声影像模型的当前预测损失值;
模型部署模块24,分别连接第二存储模块22、数据训练模块23和一第三存储模块25,用于将当前超声影像模型及当前预测损失值备份至第二存储模块22,以对第二存储模块22进行更新,并将当前超声影像模型部署至第三存储模块25以供后续模型推断使用。
具体地,本实施例中,本发明的超声影像模型的自训练及自部署系统能够在模型的部署阶段进行自适应训练和根据训练结果进行自适应部署,无需人工参与,有效避免人为原因导致的训练及部署误差,能够实现人工智能快速迭代,有效提升用户的使用体验。
进一步具体地,在超声影像模型进行部署之前,仍需要获取历史超声影像数据进行训练,得到一历史超声影像模型和该历史超声影像模型对应的历史预测损失值,本发明将历史超声影像模型和历史超声影像数据均进行存储,以备后续自训练和自部署使用。在训练得到上述历史超声影像模型后可以将该历史超声影像模型进行部署使用,后续的模型推断均可以依据该历史超声影像模型进行。医生在后续的工作中如果发现出现具有代表性的超声影像和医生根据超声影像给出的临床诊断结果,可以选择将该超声影像和对应的临床诊断结果作为标准超声影像数据通过数据导入模块1导入云端服务器2进行历史超声影像模型的再训练得到当前超声影像模型,以及当前超声影像模型对应的当前预测损失值。
优选的,上述当前超声影像模型的训练过程如下:首先由历史训练数据集中提取一批历史超声影像数据,将该批次的历史超声影像数据和导入的标准超声影像数据作为当前训练数据集,随后根据该当前训练数据集对历史超声影像模型进行再训练,得到以更新超声影像模型,并根据当前训练数据集计算该更新超声影像模型的更新预测损失值。
由于模型的预测损失值越小,说明模型的有效性越高,预测损失值越大,说明模型的有效性越低。因此,在训练得到上述更新超声影像模型后,为保证模型的有效性,需要将该更新超声影像模型的更新预测损失值与历史超声影像模型的历史预测损失值进行比较,若更新预测损失值小于历史预测损失值,则说明更新超声影像模型相较于历史超声影像模型具有更高的有效性,性能更好,云端服务器2自行选择部署性能更好的更新超声影像模型作为当前超声影像模型供后续模型推断使用,并将标准超声影像数据作为有效训练数据保存至历史训练数据集中,以对历史训练数据集进行数据扩充,进一步提升后续训练的准确性。
若更新预测损失值不小于历史预测损失值,说明本次训练的结果不理想,此时,优选再从历史训练数据集中提取一批历史超声影像数据加入上述当前训练数据集中,以对当前训练数据集进行数据扩充,随后根据该当前训练数据集对历史超声影像模型进行再训练,直至得到的更新超声影像模型的更新预测损失值小于历史超声影像模型的历史预测损失值。若在使用了历史训练数据集中的全部历史超声影像数据后,再训练得到的更新超声影像模型的更新预测损失值仍旧不小于历史超声影像模型的历史预测损失值,则云端服务器2判定该标准超声影像数据为脏数据,且本批次的模型再训练无效,此时将该标准超声影像数据进行舍弃,同时将训练得到的更新超声影像模型进行舍弃,云端服务器2自行选择部署性能更好的历史超声影像模型作为当前超声影像模型供后续模型推断使用,以完成超声影像模型的自训练和自部署操作。
本发明的较佳的实施例中,还包括一第四存储模块26,分别连接第二存储模块22、数据训练模块23和第三存储模块25,第四存储模块26包括:
第一存储单元261,用于实时保存数据训练模块在训练过程中生成的训练日志,以供后续查阅;和/或
第二存储单元262,用于实时保存第二存储模块22和第三存储模块25在更新及模型部署时生成的更新日志,以供后续查阅。
具体地,本实施例中,通过保存的训练日志,操作者能够获取超声影像模型的历史自训练记录;通过保存的更新日志,操作者能够获取超声影像模型的历史更新记录及历史部署记录,方便进行数据追溯。
本发明的较佳的实施例中,第四存储模块26还包括一第三存储单元263,用于在使用第三存储模块26中当前部署的超声影像模型进行推理的过程中,计算并记录超声影像模型的历史推理成功率。
本发明的较佳的实施例中,还包括一应用端3,连接云端服务器2,用于根据第三存储模块25中当前部署的超声影像模型和历史推理成功率对一待推断超声影像数据进行推断,得到当前推断结果以及当前推断成功率,并将当前推断成功率发送至云端服务器2进行保存,以对第三存储单元263进行更新;
医生根据当前推断成功率决定是否使用当前推断结果。
具体地,本实施例中,通过根据历史推理成功率进行模型推断,在输出推理结果的同时给出当前推断成功率,方便医生进行判断是否使用当前推断结果。
本发明的较佳的实施例中,数据训练模块23具体包括:
数据接收单元231,用于接收导入的标准超声影像数据;
数据训练单元232,连接数据接收单元231,用于由历史训练数据集中分批提取历史超声影像数据并加入一当前训练数据集,在每次提取历史超声影像数据时将标准超声影像数据加入当前训练数据集,并根据当前训练数据集训练得到更新超声影像模型,并计算更新超声影像模型关联的更新预测损失值;
第一比较单元233,连接数据训练单元232,用于将更新预测损失值与历史预测损失值进行比较,并在更新预测损失值不小于历史预测损失值时输出第一比较结果,以及在更新预测损失值小于历史预测损失值时,将更新超声影像模型作为当前超声影像模型,将标准超声影像数据保存至历史训练数据集中,并将更新预测损失值作为当前预测损失值输出;
第二比较单元234,连接第一比较单元233,用于根据第一比较结果统计当前训练数据集中的历史超声影像数据的当前数量,并将当前数量与历史训练数据集中的历史超声影像数据的总数量进行比较,在当前数量小于总数量时,继续提取下一批历史超声影像数据进行训练,以及
在当前数量不小于总数量时,将历史超声影像模型作为当前超声影像模型,舍弃标准超声影像数据,并将历史预测损失值作为当前损失值输出。
一种超声影像模型的自训练及自部署方法,应用以上任意一项的超声影像模型的自训练及自部署系统,云端服务器中保存有预先获取的若干历史超声影像数据作为历史训练数据集,根据历史训练数据集训练得到的历史超声影像模型,以及历史超声影像模型关联的历史预测损失值;
如图2所示,则自训练及自部署方法具体包括以下步骤:
步骤S1,云端服务器在每次接收到外部导入的包含包含超声影像和医生根据超声影像给出的临床诊断结果的标准超声影像数据时,根据标准超声影像数据和历史训练数据集中的各历史超声影像数据训练得到当前超声影像模型,并计算当前超声影像模型的当前预测损失值;
步骤S2,云端服务器将当前超声影像模型及当前预测损失值进行备份,并部署当前超声影像模型以供后续模型推断使用。
本发明的较佳的实施例中,如图3所示,步骤S1具体包括:
步骤S11,云端服务器接收外部导入的标准超声影像数据,并将标准超声影像数据和由历史训练数据集中提取的若干历史超声影像数据加入一当前训练数据集;
步骤S12,云端服务器根据当前训练数据集训练得到更新超声影像模型,并计算得到更新超声影像模型关联的更新预测损失值;
步骤S13,云端服务器将更新预测损失值与历史预测损失值进行比较:
若更新预测损失值小于历史预测损失值,则将更新超声影像模型作为当前超声影像模型,将标准超声影像数据保存至历史训练数据集中,并将更新预测损失值作为当前预测损失值输出,随后转向步骤S2;
若更新预测损失值不小于历史预测损失值,则转向步骤S14;
步骤S14,云端服务器统计当前训练数据集中的历史超声影像数据的当前数量,并将当前数量与历史训练数据集中的历史超声影像数据的总数量进行比较:
若当前数量小于总数量,则继续由历史训练数据集中提取若干历史超声影像数据加入当前训练数据集,以扩充当前训练数据集,随后返回步骤S12;
若当前数量不小于总数量,则将历史超声影像模型作为当前超声影像模型,舍弃标准超声影像数据,并将历史预测损失值作为当前损失值输出。
本发明的较佳的实施例中,还包括日志存储的过程,具体包括:
实时保存数据训练模块在训练过程中生成的训练日志,以供后续查阅;和/或
实时保存当前超声影像模型的更新及模型部署时生成的更新日志,以供后续查阅。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (8)
1.一种超声影像模型的自训练及自部署系统,其特征在于,具体包括:
至少一数据导入模块,用于供操作者将包含超声影像和医生根据所述超声影像给出的临床诊断结果的标准超声影像数据进行导入;
云端服务器,连接所述数据导入模块,所述云端服务器包括:
第一存储模块,用于将预先获取的若干历史超声影像数据作为历史训练数据集进行保存;
第二存储模块,用于保存根据所述历史训练数据集训练得到的历史超声影像模型,以及所述历史超声影像模型关联的历史预测损失值;
数据训练模块,分别连接所述第一存储模块和所述第二存储模块,用于在每次接收到所述标准超声影像数据时,根据所述标准超声影像数据、所述历史训练数据集中的各所述历史超声影像数据和所述历史预测损失值对所述历史超声影像模型进行模型再训练得到当前超声影像模型,并计算所述当前超声影像模型的当前预测损失值;
模型部署模块,分别连接所述第二存储模块、所述数据训练模块和一第三存储模块,用于将所述当前超声影像模型及所述当前预测损失值备份至所述第二存储模块,以对所述第二存储模块进行更新,并将所述当前超声影像模型部署至所述第三存储模块以供后续模型推断使用。
2.根据权利要求1所述的超声影像模型的自训练及自部署系统,其特征在于,还包括一第四存储模块,分别连接所述第二存储模块、所述数据训练模块和所述第三存储模块,所述第四存储模块包括:
第一存储单元,用于实时保存所述数据训练模块在训练过程中生成的训练日志,以供后续查阅;和/或
第二存储单元,用于实时保存所述第二存储模块和所述第三存储模块在更新及模型部署时生成的更新日志,以供后续查阅。
3.根据权利要求2所述的超声影像模型的自训练及自部署系统,其特征在于,所述第四存储模块还包括一第三存储单元,用于在使用所述第三存储模块中当前部署的超声影像模型进行推理的过程中,计算并记录所述超声影像模型的历史推理成功率。
4.根据权利要求3所述的超声影像模型的自训练及自部署系统,其特征在于,还包括一应用端,连接所述云端服务器,用于根据所述第三存储模块中当前部署的所述超声影像模型和所述历史推理成功率对一待推断超声影像数据进行推断,得到当前推断结果以及当前推断成功率,并将所述当前推断成功率发送至所述云端服务器进行保存,以对所述第三存储单元进行更新;
医生根据所述当前推断成功率决定是否使用所述当前推断结果。
5.根据权利要求1所述的超声影像模型的自训练及自部署系统,其特征在于,所述数据训练模块具体包括:
数据接收单元,用于接收导入的所述标准超声影像数据;
数据训练单元,连接所述数据接收单元,用于由所述历史训练数据集中分批提取所述历史超声影像数据并加入一当前训练数据集,在每次提取所述历史超声影像数据时将所述标准超声影像数据加入所述当前训练数据集,根据所述当前训练数据集训练得到更新超声影像模型,并计算所述更新超声影像模型关联的更新预测损失值;
第一比较单元,连接所述数据训练单元,用于将所述更新预测损失值与所述历史预测损失值进行比较,并在所述更新预测损失值不小于所述历史预测损失值时输出第一比较结果,以及在所述更新预测损失值小于所述历史预测损失值时,将所述更新超声影像模型作为所述当前超声影像模型,将所述标准超声影像数据保存至所述历史训练数据集中,并将所述更新预测损失值作为所述当前预测损失值输出;
第二比较单元,连接所述第一比较单元,用于根据所述第一比较结果统计所述当前训练数据集中的所述历史超声影像数据的当前数量,并将所述当前数量与所述历史训练数据集中的所述历史超声影像数据的总数量进行比较,在所述当前数量小于所述总数量时,继续提取下一批所述历史超声影像数据进行训练,以及
在所述当前数量不小于所述总数量时,将所述历史超声影像模型作为所述当前超声影像模型,舍弃所述标准超声影像数据,并将所述历史预测损失值作为所述当前损失值输出。
6.一种超声影像模型的自训练及自部署方法,其特征在于,应用如根据权利要求1-5中所述的超声影像模型的自训练及自部署系统,所述云端服务器中保存有预先获取的若干历史超声影像数据作为历史训练数据集,根据所述历史训练数据集训练得到的所述历史超声影像模型,以及所述历史超声影像模型关联的历史预测损失值;
则所述自适应部署方法具体包括以下步骤:
步骤S1,所述云端服务器在每次接收到外部导入的包含包含超声影像和医生根据所述超声影像给出的临床诊断结果的标准超声影像数据时,根据所述标准超声影像数据和所述历史训练数据集中的各所述历史超声影像数据训练得到当前超声影像模型,并计算所述当前超声影像模型的当前预测损失值;
步骤S2,所述云端服务器将所述当前超声影像模型及所述当前预测损失值进行备份,并部署所述当前超声影像模型以供后续模型推断使用。
7.根据权利要求1所述的超声影像模型的自训练及自部署方法,其特征在于,所述步骤S1具体包括:
步骤S11,所述云端服务器接收外部导入的所述标准超声影像数据,并将所述标准超声影像数据和由所述历史训练数据集中提取的若干所述历史超声影像数据加入一当前训练数据集;
步骤S12,所述云端服务器根据所述当前训练数据集训练得到更新超声影像模型,并计算得到所述更新超声影像模型关联的更新预测损失值;
步骤S13,所述云端服务器将所述更新预测损失值与所述历史预测损失值进行比较:
若所述更新预测损失值小于所述历史预测损失值,则将所述更新超声影像模型作为所述当前超声影像模型,将所述标准超声影像数据保存至所述历史训练数据集中,并将所述更新预测损失值作为所述当前预测损失值输出,随后转向步骤S2;
若所述更新预测损失值不小于所述历史预测损失值,则转向步骤S14;
步骤S14,所述云端服务器统计所述当前训练数据集中的所述历史超声影像数据的当前数量,并将所述当前数量与所述历史训练数据集中的所述历史超声影像数据的总数量进行比较:
若所述当前数量小于所述总数量,则继续由所述历史训练数据集中提取若干所述历史超声影像数据加入所述当前训练数据集,以扩充所述当前训练数据集,随后返回所述步骤S12;
若所述当前数量不小于所述总数量,则将所述历史超声影像模型作为所述当前超声影像模型,舍弃所述标准超声影像数据,并将所述历史预测损失值作为所述当前损失值输出。
8.根据权利要求6所述的超声影像模型的自训练及自部署方法,其特征在于,还包括日志存储的过程,具体包括:
实时保存所述数据训练模块在训练过程中生成的训练日志,以供后续查阅;和/或
实时保存所述当前超声影像模型的更新及模型部署时生成的更新日志,以供后续查阅。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409324.6A CN111584045B (zh) | 2020-05-14 | 2020-05-14 | 一种超声影像模型的自训练及自部署系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409324.6A CN111584045B (zh) | 2020-05-14 | 2020-05-14 | 一种超声影像模型的自训练及自部署系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111584045A true CN111584045A (zh) | 2020-08-25 |
CN111584045B CN111584045B (zh) | 2023-07-14 |
Family
ID=72126586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409324.6A Active CN111584045B (zh) | 2020-05-14 | 2020-05-14 | 一种超声影像模型的自训练及自部署系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111584045B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102017A (zh) * | 2018-08-09 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 神经网络模型处理方法、装置、设备及可读存储介质 |
-
2020
- 2020-05-14 CN CN202010409324.6A patent/CN111584045B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102017A (zh) * | 2018-08-09 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 神经网络模型处理方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111584045B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908803B (zh) | 问答交互的响应方法及装置、存储介质、终端 | |
CN110135386B (zh) | 一种基于深度学习的人体动作识别方法和系统 | |
CN110693486A (zh) | 一种心电图的异常标注方法及装置 | |
CN111144483B (zh) | 一种图像特征点过滤方法以及终端 | |
CN114781439B (zh) | 模型获取系统、手势识别方法、装置、设备及存储介质 | |
Yang et al. | Deep reinforcement learning based wireless network optimization: A comparative study | |
CN111814965A (zh) | 超参数调整方法、装置、设备及存储介质 | |
CN109948632B (zh) | 数据训练方法、装置及系统、计算机设备 | |
CN111128150A (zh) | 一种唤醒智能语音设备的方法及装置 | |
CN113726961B (zh) | 外呼数量的确定方法、装置、外呼系统及存储介质 | |
CN111584045A (zh) | 一种超声影像模型的自训练及自部署系统及方法 | |
CN110096605A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN113033410B (zh) | 基于自动数据增强的域泛化行人重识别方法、系统及介质 | |
CN112199154A (zh) | 一种基于分布式协同采样中心式优化的强化学习训练系统及方法 | |
CN117273750A (zh) | 一种智能客服系统及其与客户的交互方法 | |
CN116610789A (zh) | 一种准确低成本的大语言模型使用方法及系统 | |
EP4220487A3 (en) | Method and apparatus for training information adjustment model of charging station, storage medium and product | |
CN108985456B (zh) | 层数增减深度学习神经网络训练方法、系统、介质和设备 | |
CN117493582B (zh) | 模型结果的输出方法、装置、电子设备及存储介质 | |
CN113112015B (zh) | 模型训练方法、装置、电子设备及计算机可读存储介质 | |
CN109829490A (zh) | 修正向量搜索方法、目标分类方法及设备 | |
CN116188648B (zh) | 基于无驱动源的虚拟人动作生成方法、装置和电子设备 | |
CN115951588B (zh) | 基于ai自适应调整的按摩机械作用控制方法及系统 | |
CN112529920A (zh) | 基于空间的肺叶分割方法、系统、存储介质及电子设备 | |
KR20240088006A (ko) | 이진 신경망 하드웨어를 위한 효율적인 실행 방법 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201020 Address after: Room 5030, 5 / F, building e, 555 Dongchuan Road, Minhang District, Shanghai, 200241 Applicant after: Shanghai Shenzhi Information Technology Co.,Ltd. Address before: Room 5030, 5 / F, building e, 555 Dongchuan Road, Minhang District, Shanghai, 200241 Applicant before: Shanghai Shenzhi Information Technology Co.,Ltd. Applicant before: Shanghai Zhuxing Biotechnology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |