CN113128528A - 超声影像深度学习分布式训练系统和训练方法 - Google Patents
超声影像深度学习分布式训练系统和训练方法 Download PDFInfo
- Publication number
- CN113128528A CN113128528A CN201911370797.3A CN201911370797A CN113128528A CN 113128528 A CN113128528 A CN 113128528A CN 201911370797 A CN201911370797 A CN 201911370797A CN 113128528 A CN113128528 A CN 113128528A
- Authority
- CN
- China
- Prior art keywords
- training
- diagnosis model
- node
- model
- local
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 191
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims description 25
- 238000003745 diagnosis Methods 0.000 claims abstract description 92
- 201000010099 disease Diseases 0.000 claims abstract description 40
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 40
- 238000002604 ultrasonography Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 206010006187 Breast cancer Diseases 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 206010004243 Benign breast neoplasm Diseases 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 201000007295 breast benign neoplasm Diseases 0.000 description 2
- 208000030270 breast disease Diseases 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种超声影像深度学习分布式训练系统,包括相连接的云端协调节点和若干个训练节点;云端协调节点至少用于,对于病种保存相应的初始诊断模型;协调各个训练节点的训练任务,包括:根据训练节点状态下发相应病种的初始诊断模型和相应的训练配置信息到各个训练节点,对各训练节点训练得到的本地诊断模型进行回收,更新自身保存的相应病种的诊断模型;训练节点至少用于,根据接收到的初始诊断模型结构和相应的训练配置信息,利用本地相应病种标记好的分类超声影像数据进行训练,得到对应的本地诊断模型,形成模型更新信息并上传至云端协调节点。
Description
技术领域
本发明涉及超声医学成像技术领域,尤其是一种超声影像深度学习分布式训练系统和训练方法。
背景技术
随着超声医学成像技术和计算机技术的不断发展和进步,超声影像数据正以前所未有的规模生成,近几年来,深度学习(Deep learning)已经迅速发展成为超声医学图像分析的研究热点,它能够从超声医学图像大数据中自动提取隐含的疾病诊断特征,为医生的日常工作提供良好的辅助工具。
医疗影像数据虽然生成速度越来越快,存储量越来越大,但是数据的分布比较零散,大部分掌握在医疗设备和医疗数据存储系统条件良好的医疗机构手中,而将深度学习应用于医学影像诊断的前提是需要大量的已经标注的分类影像数据来进行模型的训练。
目前传统的深度学习分布式训练系统大部分是基于数据汇聚共享、数据集中存储和集中处理这种手段来完成,这样就导致了医疗影像数据收集困难,数据隐私和合规问题、数据泄露风险巨大等问题。
因为需要一次性处理的医疗影像数据比较大,需要一次处理的模型规模比较大,现有的分布式训练方法还存在着对设备计算能力的要求高,训练成本高的问题。
发明内容
本发明的目的在于克服现有技术中存在的不足,提供一种超声影像深度学习分布式训练系统,以及一种训练方法,解决了传统分布式训练带来的数据搜集困难、数据隐私安全、影像数据泄露风险等问题。
本发明实施例提出一种超声影像深度学习分布式训练系统,包括相连接的云端协调节点和若干个训练节点;
云端协调节点至少用于,对于病种保存相应的初始诊断模型;协调各个训练节点的训练任务,包括:根据训练节点状态下发相应病种的初始诊断模型和相应的训练配置信息到各个训练节点,对各训练节点训练得到的本地诊断模型进行回收,更新自身保存的相应病种的诊断模型;
训练节点至少用于,根据接收到的初始诊断模型结构和相应的训练配置信息,利用本地相应病种标记好的分类超声影像数据进行训练,得到对应的本地诊断模型,形成模型更新信息并上传至云端协调节点。
进一步地,所述对各训练节点训练得到的本地诊断模型进行回收,更新自身保存的相应病种的诊断模型,包括:
接收训练节点根据训练得到的本地诊断模型对初始诊断模型形成的相应模型更新信息,更新相应病种的诊断模型,得到优化后诊断模型。
进一步地,所述模型更新信息包括模型参数和对应的变化值。
本发明实施例还提出一种超声影像深度学习分布式训练方法,包括以下步骤:
协调各个训练节点的训练任务,包括:根据训练节点状态下发相应病种的初始诊断模型和相应的训练配置信息到各个训练节点;
在训练节点每一轮训练结束得到本地诊断模型后,对各训练节点训练得到的本地诊断模型进行回收,更新保存的相应病种的诊断模型。
进一步地,训练节点的训练过程包括:
根据接收到的初始诊断模型结构和相应的训练配置信息,利用本地相应病种标记好的分类超声影像数据进行训练,得到对应的本地诊断模型,以及模型参数和对应的变化值。
进一步地,所述对各训练节点训练得到的本地诊断模型进行回收,更新保存的相应病种的诊断模型,包括:
接收训练节点根据训练得到的本地诊断模型对初始诊断模型形成的相应模型更新信息,更新相应病种的诊断模型,得到优化后诊断模型。
更进一步地,所述模型更新信息包括模型参数和对应的变化值。
进一步地,所述训练节点状态包括训练节点拥有的超声影像数据的病种,数据规模和需要达到的模型优化结果。
进一步地,所述方法还包括:
将相应病种当前优化后诊断模型和相应的训练配置信息再次下发到训练节点,以供所述训练节点根据优化情况进行下一轮训练或停止训练。
更进一步地,所述训练节点根据优化情况进行下一轮训练或停止训练,具体包括:所述训练节点根据收到的训练配置信息和自身预设条件来决定是否对接收到的诊断模型继续训练。
本发明的优点在于:本发明在超声影像领域的深度学习分布式训练方面提出了新的训练方法,超声诊断设备产生的医疗影像数据继续存放在所有者医疗机构的存储系统里面,利用医疗机构的计算设备在医疗机构本地进行诊断模型训练;并通过与云端协调节点交互,使得各医疗机构训练得到的本地诊断模型能够更新云端协调节点上的初始诊断模型;更新时,采用的是模型参数和对应的变化值,而并非原始的医疗影像数据;很好的解决了传统分布式训练带来的数据搜集困难、数据隐私安全、影像数据泄露风险等问题,同时还降低了对分布式训练所需要的计算能力的要求,降低了训练成本。
附图说明
图1为本发明实施例的训练系统示意图。
图2为本发明实施例的训练过程示意图。
图3为本发明实施例所述的训练方法流程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
如图1所示,本发明实施例提出一种超声影像深度学习分布式训练系统,所述系统可以包括云端协调节点和训练节点;
在本文描述的实施例中,云端协调节点主要是由集中的协调计算服务器构成;协调计算服务器可以是性能优秀的单台计算服务器,也可以是多台计算服务器构成的服务器集群;训练节点主要由拥有标注好的分类超声影像数据的医疗机构的计算设备组成;这些计算设备可以是医疗机构内的超声诊断设备,或者是用于处理超声影像数据的计算设备;
云端协调节点和训练节点通过网络连接;
云端协调节点至少用于,对于病种保存相应的初始诊断模型;协调各个训练节点的训练任务,包括:根据训练节点状态下发相应病种的初始诊断模型和相应的训练配置信息到各个训练节点,对各训练节点训练得到的本地诊断模型进行回收,更新自身保存的相应病种的诊断模型;
训练的初始诊断模型由云端协调节点向训练节点下发,可以根据训练节点拥有的超声影像数据的病种,数据规模和需要达到的模型优化结果来协调下发;
训练节点至少用于,根据接收到的初始诊断模型结构和相应的训练配置信息,利用本地相应病种标记好的分类超声影像数据进行训练,得到对应的本地诊断模型,以及模型参数和对应的变化值;形成模型更新信息并上传至云端协调节点。
如图2所示,为应用本发明的超声影像深度学习分布式训练系统的一种训练过程示意图,如图3所示,本发明实施例还提出一种超声影像深度学习分布式训练方法,所述方法能够应用于pacs系统,包括以下步骤:
步骤310,云端协调节点根据训练节点状态下发相应病种的初始诊断模型和相应的训练配置信息到训练节点;
例如,云端协调节点根据医院A的超声科存储的10GB的乳腺病种图像数据以及标记好的病理结果数据,将存储在云端协调节点的乳腺肿瘤良恶性分类卷积神经网络(CNN)模型和相应的训练配置信息下发到医院A的训练节点上;
云端协调节点所保存的该乳腺肿瘤良恶性分类卷积神经网络模型,可以是云端协调节点根据小型数据集使用初始的训练配置信息(如权重矩阵使用(0.0,0.001)随机数,偏置向量使用0.0填充,使用Cross Entropy作为目标函数,使用Adam梯度下降法进行参数更新,学习率设为固定值0.001)训练出来的;也可以是由别的训练节点训练出来并上传的;
步骤320,训练节点根据从云端协调节点接收到的初始诊断模型结构和相应的训练配置信息,利用本地相应病种标记好的分类超声影像数据进行训练,得到对应的本地诊断模型,以及模型参数和对应的变化值;
例如,医院 A根据云端协调节点下发的乳腺肿瘤良恶性分类CNN模型结构和相应的训练配置信息,利用本地标记好的乳腺病分类超声影像数据进行训练,得到一个本地诊断模型,以及模型参数和对应的变化值;
步骤330,训练节点根据本地诊断模型,对接收到的初始诊断模型形成模型更新信息并上传至云端协调节点;
医院A的训练节点在训练本地诊断模型的过程中,对接收到的初始诊断模型的更新会汇总成主要由模型参数和对应的变化值组成的模型更新信息,然后可以经过加密后上传至云端协调节点;
步骤340,云端协调节点根据接收到的相应模型更新信息,更新相应病种的诊断模型,得到优化后诊断模型;
例如,云端协调节点接收到医院 A中训练节点上传的模型更新信息之后,会将此模型更新信息中的模型参数和对应的变化值更新到云端协调节点的乳腺肿瘤良恶性分类卷积神经网络模型M1中,得到也给优化后诊断模型M2;同理,如果医院B也有乳腺肿瘤良恶性分类的训练任务,会将得到的相关模型更新信息上传到云端协调节点,云端协调节点将继续更新诊断模型M2得到更新的诊断模型M3;
步骤350,云端协调节点将相应病种当前优化后诊断模型下发到训练节点,训练节点根据优化情况进行下一轮训练或停止训练。
云端节点在每次更新得到优化后诊断模型后,会把当前优化后诊断模型和相应的训练配置信息再次下发给训练节点;训练节点在结束当前的训练任务后,根据收到的训练配置信息和自身预设条件来决定是否对接收到的诊断模型继续训练;例如训练节点可以根据训练配置信息中的识别准确率来决定是否继续训练,如果识别准确率大于95%,则对接收到的优化后诊断模型不再进行下一轮训练。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种超声影像深度学习分布式训练系统,其特征在于,包括相连接的云端协调节点和若干个训练节点;
云端协调节点至少用于,对于病种保存相应的初始诊断模型;协调各个训练节点的训练任务,包括:根据训练节点状态下发相应病种的初始诊断模型和相应的训练配置信息到各个训练节点,对各训练节点训练得到的本地诊断模型进行回收,更新自身保存的相应病种的诊断模型;
训练节点至少用于,根据接收到的初始诊断模型结构和相应的训练配置信息,利用本地相应病种标记好的分类超声影像数据进行训练,得到对应的本地诊断模型,形成模型更新信息并上传至云端协调节点。
2.如权利要求1所述的超声影像深度学习分布式训练系统,其特征在于,
所述对各训练节点训练得到的本地诊断模型进行回收,更新自身保存的相应病种的诊断模型,包括:
接收训练节点根据训练得到的本地诊断模型对初始诊断模型形成的相应模型更新信息,更新相应病种的诊断模型,得到优化后诊断模型。
3.如权利要求1或2所述的超声影像深度学习分布式训练系统,其特征在于,
所述模型更新信息包括模型参数和对应的变化值。
4.一种超声影像深度学习分布式训练方法,其特征在于,包括以下步骤:
协调各个训练节点的训练任务,包括:根据训练节点状态下发相应病种的初始诊断模型和相应的训练配置信息到各个训练节点;
在训练节点每一轮训练结束得到本地诊断模型后,对各训练节点训练得到的本地诊断模型进行回收,更新保存的相应病种的诊断模型。
5.如权利要求4所述的超声影像深度学习分布式训练方法,其特征在于,
训练节点的训练过程包括:
根据接收到的初始诊断模型结构和相应的训练配置信息,利用本地相应病种标记好的分类超声影像数据进行训练,得到对应的本地诊断模型,以及模型参数和对应的变化值。
6.如权利要求4所述的超声影像深度学习分布式训练方法,其特征在于,
所述对各训练节点训练得到的本地诊断模型进行回收,更新保存的相应病种的诊断模型,包括:
接收训练节点根据训练得到的本地诊断模型对初始诊断模型形成的相应模型更新信息,更新相应病种的诊断模型,得到优化后诊断模型。
7.如权利要求6所述的超声影像深度学习分布式训练方法,其特征在于,
所述模型更新信息包括模型参数和对应的变化值。
8.如权利要求4~7中任一项所述的超声影像深度学习分布式训练方法,其特征在于,
所述训练节点状态包括训练节点拥有的超声影像数据的病种,数据规模和需要达到的模型优化结果。
9.如权利要求4~7中任一项所述的超声影像深度学习分布式训练方法,其特征在于,所述方法还包括:
将相应病种当前优化后诊断模型和相应的训练配置信息再次下发到训练节点,以供所述训练节点根据优化情况进行下一轮训练或停止训练。
10.如权利要求9所述的超声影像深度学习分布式训练方法,其特征在于,所述训练节点根据优化情况进行下一轮训练或停止训练,具体包括:
所述训练节点根据收到的训练配置信息和自身预设条件来决定是否对接收到的诊断模型继续训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911370797.3A CN113128528A (zh) | 2019-12-27 | 2019-12-27 | 超声影像深度学习分布式训练系统和训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911370797.3A CN113128528A (zh) | 2019-12-27 | 2019-12-27 | 超声影像深度学习分布式训练系统和训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128528A true CN113128528A (zh) | 2021-07-16 |
Family
ID=76767225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911370797.3A Pending CN113128528A (zh) | 2019-12-27 | 2019-12-27 | 超声影像深度学习分布式训练系统和训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128528A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005911A (zh) * | 2015-06-26 | 2015-10-28 | 深圳市腾讯计算机系统有限公司 | 深度神经网络的运算系统及运算方法 |
CN108717867A (zh) * | 2018-05-02 | 2018-10-30 | 中国科学技术大学苏州研究院 | 基于梯度迭代树的疾病预测模型建立方法及装置 |
CN109840591A (zh) * | 2017-11-29 | 2019-06-04 | 华为技术有限公司 | 模型训练系统、方法和存储介质 |
CN110263921A (zh) * | 2019-06-28 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种联邦学习模型的训练方法及装置 |
CN110442457A (zh) * | 2019-08-12 | 2019-11-12 | 北京大学深圳研究生院 | 基于联邦学习的模型训练方法、装置及服务器 |
CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
CN110610242A (zh) * | 2019-09-02 | 2019-12-24 | 深圳前海微众银行股份有限公司 | 一种联邦学习中参与者权重的设置方法及装置 |
-
2019
- 2019-12-27 CN CN201911370797.3A patent/CN113128528A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005911A (zh) * | 2015-06-26 | 2015-10-28 | 深圳市腾讯计算机系统有限公司 | 深度神经网络的运算系统及运算方法 |
CN109840591A (zh) * | 2017-11-29 | 2019-06-04 | 华为技术有限公司 | 模型训练系统、方法和存储介质 |
CN108717867A (zh) * | 2018-05-02 | 2018-10-30 | 中国科学技术大学苏州研究院 | 基于梯度迭代树的疾病预测模型建立方法及装置 |
CN110263921A (zh) * | 2019-06-28 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种联邦学习模型的训练方法及装置 |
CN110442457A (zh) * | 2019-08-12 | 2019-11-12 | 北京大学深圳研究生院 | 基于联邦学习的模型训练方法、装置及服务器 |
CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
CN110610242A (zh) * | 2019-09-02 | 2019-12-24 | 深圳前海微众银行股份有限公司 | 一种联邦学习中参与者权重的设置方法及装置 |
Non-Patent Citations (1)
Title |
---|
KEITH BONAWITZ等: "TOWARDS FEDERATED LEARNING AT SCALE: SYSTEM DESIGN", 《ARXIV:1902.01046V2》, pages 1 - 15 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11416747B2 (en) | Three-dimensional (3D) convolution with 3D batch normalization | |
WO2022063200A1 (zh) | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 | |
CN111274425B (zh) | 医疗影像分类方法、装置、介质及电子设备 | |
CN107680657A (zh) | 医学扫描仪自学优化临床协议和图像采集 | |
JP7386370B1 (ja) | 連合学習に基づくマルチタスクハイブリッド教師あり医用画像分割方法及びシステム | |
CN113421652A (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
CN109145759A (zh) | 车辆属性识别方法、装置、服务器及存储介质 | |
CN106599549A (zh) | 一种计算机辅助诊断系统、方法及其医疗系统 | |
CN106709017A (zh) | 一种基于大数据的辅助决策方法 | |
JP7317136B2 (ja) | 機械学習システムおよび方法、統合サーバ、情報処理装置、プログラムならびに推論モデルの作成方法 | |
CN107944479A (zh) | 基于半监督学习的疾病预测模型建立方法及装置 | |
CN113707323B (zh) | 基于机器学习的疾病预测方法、装置、设备及介质 | |
CN112686899B (zh) | 医学图像分析方法和装置、计算机设备及存储介质 | |
CN113128528A (zh) | 超声影像深度学习分布式训练系统和训练方法 | |
WO2023140044A1 (ja) | モデル生成方法、モデル生成装置、推論プログラム、及び推論装置 | |
CN112164447A (zh) | 图像处理方法、装置、设备及存储介质 | |
JP7449366B2 (ja) | 機械学習システムおよび方法、統合サーバ、情報処理装置、プログラムならびに推論モデルの作成方法 | |
Megalooikonomou et al. | Medical data fusion for telemedicine | |
CN115100155A (zh) | 放射性肺炎预测模型的建立方法与系统 | |
CN113723519A (zh) | 基于对比学习的心电数据处理方法、装置及存储介质 | |
CN108399369B (zh) | 基于分布式计算和深度学习的心电节拍分类方法 | |
CN110110906A (zh) | 一种基于Efron近似优化的生存风险建模方法 | |
TWI796251B (zh) | 穩健預測模型的建立方法、預測系統及阿茲海默症預測系統 | |
Saravanan et al. | Optimized attribute selection using artificial plant (ap) algorithm with esvm classifier (ap-esvm) and improved singular value decomposition (isvd)-based dimensionality reduction for large micro-array biological data | |
US20220392059A1 (en) | Method and system for representation learning with sparse convolution |
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 |