CN117132790A - 基于人工智能的消化道肿瘤诊断辅助系统 - Google Patents
基于人工智能的消化道肿瘤诊断辅助系统 Download PDFInfo
- Publication number
- CN117132790A CN117132790A CN202311368699.2A CN202311368699A CN117132790A CN 117132790 A CN117132790 A CN 117132790A CN 202311368699 A CN202311368699 A CN 202311368699A CN 117132790 A CN117132790 A CN 117132790A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- participant
- fluctuation
- digestive tract
- 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
- 210000001035 gastrointestinal tract Anatomy 0.000 title claims abstract description 105
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 51
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000003993 interaction Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及计算机技术领域,公开了一种基于人工智能的消化道肿瘤诊断辅助方法和系统,应用于服务器,所述方法包括:第一参与方与第二参与方进行数据交互,确定第一参与方的第一图像和第二参与方的第二图像,所述第一图像和第二图像包含的消化道肿瘤相似;依据第一参与方的第一图像和第二图像,训练图像数据波动模型;接收各参与方的待波动的消化道相关的图像数据,并依据训练好的图像数据波动模型进行数据波动,得到波动数据,并反馈给各参与方;依据各参与方的训练数据,训练人工智能模型;从识别请求方获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果,并反馈。
Description
技术领域
本发明涉及计算机技术领域,尤其是涉及一种基于人工智能的消化道肿瘤诊断辅助系统。
背景技术
目前,消化道肿瘤诊断通常是将需要诊断的消化道的图像数据输入到预先训练好的人工智能模型中进行识别,并确定识别结果。
现有的人工智能模型通常是依赖训练数据进行训练,训练数据一般包括输入数据(如消化道图像)和标注数据(消化道图像对应的识别结果,如肿瘤类型、肿瘤位置、肿瘤大小等)。通常是将输入数据输入到人工智能模型中,人工智能模型预测结果,并将预测到的结果预标注数据进行对比,进而对模型进行反向调整,以得到训练好的模型。
目前,通常是通过人工来对图像数据进行标注,而由于人工标注费用较高,导致训练数据较少,从而使得人工智能模型的识别准确率较低。
发明内容
本发明提供一种基于人工智能的消化道肿瘤诊断辅助系统,以提升人工智能模型的识别准确率。
为了解决上述技术问题,本发明是这样实现的:
第一方面,本申请提供了一种基于人工智能的消化道肿瘤诊断辅助方法,应用于服务器,所述方法包括:第一参与方与第二参与方进行数据交互,确定第一参与方的第一图像和第二参与方的第二图像,所述第一图像和第二图像包含的消化道肿瘤相似;依据第一参与方的第一图像和第二图像,训练图像数据波动模型;接收各参与方的待波动的消化道相关的图像数据,并依据训练好的图像数据波动模型进行数据波动,得到波动数据,并反馈给各参与方,波动数据包括调整后的图像数据和调整后的图像数据对应的标注;依据各参与方的训练数据,训练人工智能模型,各参与方的训练数据依据各参与方的消化道相关的图像数据和波动后的波动数据确定;从识别请求方获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果,并反馈。
进一步的,所述第一参与方与第二参与方进行交互,确定第一参与方的第一图像和第二参与方的第二图像,包括:第一参与方获取第一比较图像,提取第一比较图像各像素点的像素值,并转换为二进制的第一数值,去除第一数值的后缀,形成第一比较数据;第二参与方获取第二比较图像,提取第二比较图像各像素点的像素值,并转换为二进制的第二数值,去除第二数值的后缀,形成第二比较数据;第一参与方和第二参与方依据相同的数据加密密钥对第一比较数据和第二比较数据进行加密,并交互加密后的数据来确定加密后的数据是否相同,以确定第一比较图像和第二比较图像之间的相似性;依据第一比较图像和第二比较图像的相似性,确定第一图像和第二图像。
进一步的,所述方法还包括:获取第一比较图像和第二比较图像中消化道的定位点的位置信息和消化道的参数信息,所述参数信息包括消化道的尺寸信息;依据位置信息和参数信息,确定第一比较图像和第二比较图像的比对规则;所述交互加密后的数据来确定加密后的数据是否相同,包括:第一参与方将加密后的数据传输给第二参与方,第二参与方按照比对规则将第一参与方的加密后的数据和第二参与方的加密后的数据进行比较,以确定第一比较图像和第二比较图像之间的相似性。
进一步的,所述交互加密后的数据来确定加密后的数据是否相同,包括:第一参与方按照消化道类型将加密后的数据切分为第一加密数据和第二加密数据,第二参与方按照消化道类型将加密后的数据切分为第三加密数据和第四加密数据;第一参与方传输第一加密数据给第二参与方,第二参与方依据第一加密数据和第二加密数据确定加密后的数据是否相同;第二参与方传输第四加密数据给第一参与方,第一参与方依据第二加密数据和第四加密数据确定加密后的数据是否相同。
进一步的,所述第一参与方和第二参与方依据相同的数据加密密钥对第一比较数据和第二比较数据进行加密,包括:下发数据加密密钥给第一参与方和第二参与方;第一参与方按照数据加密密钥对第一比较数据进行加密;第二参与方按照数据加密密钥对第二比较数据进行加密。
进一步的,所述依据第一参与方的第一图像和第二图像,训练图像数据波动模型,包括:获取第一参与方上传的第一图像和第二参与方上传的第二图像;将第一图像输入到图像数据波动模型中,得到波动预测图像;确定波动预测图像与第二图像之间的差异,并判断差异是否超过预设差异阈值,若超过,则丢弃波动预测图像,并调整图像数据波动模型,其中,第二图像可以有多个。
进一步的,所述依据各参与方的训练数据,训练人工智能模型,包括:设置安全计算节点,以通过安全计算节点接收各参与方的训练数据;将人工智能模型部署到安全计算节点,并依据训练数据对人工智能模型进行训练,得到训练好的人工智能模型。
进一步的,所述从识别请求方获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果,并反馈,包括:设置可信执行环境,并将训练好的人工智能模型部署到可信执行环境中;在可信执行环境中,获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果;将辅助识别结果加密后反馈,以在识别请求方进行解密。
第二方面,本申请提供了一种基于人工智能的消化道肿瘤诊断辅助系统,所述系统包括:数据交互处理模块,用于第一参与方与第二参与方进行数据交互,确定第一参与方的第一图像和第二参与方的第二图像,所述第一图像和第二图像包含的消化道肿瘤相似;波动模型训练模块,用于依据第一参与方的第一图像和第二图像,训练图像数据波动模型;图像数据波动模块,用于接收各参与方的待波动的消化道相关的图像数据,并依据训练好的图像数据波动模型进行数据波动,得到波动数据,并反馈给各参与方;智能模型训练模块,用于依据各参与方的训练数据,训练人工智能模型,各参与方的训练数据依据各参与方的消化道相关的图像数据和波动后的波动数据确定;图像数据识别模块,用于从识别请求方获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果,并反馈。
第三方面,本申请提供了一种电子设备,包括:存储器和至少一个处理器;所述存储器用于存储计算机执行指令;所述至少一个处理器用于执行所述存储器中存储的计算机执行指令,使得所述至少一个处理器执行如第一方面所述的方法。
本申请提供了一种基于人工智能的消化道肿瘤诊断辅助方法,应用于服务器,所述方法包括:第一参与方与第二参与方进行数据交互,确定第一参与方的第一图像和第二参与方的第二图像,所述第一图像和第二图像包含的消化道肿瘤相似;依据第一参与方的第一图像和第二图像,训练图像数据波动模型;接收各参与方的待波动的消化道相关的图像数据,并依据训练好的图像数据波动模型进行数据波动,得到波动数据,并反馈给各参与方,波动数据包括调整后的图像数据和调整后的图像数据对应的标注;依据各参与方的训练数据,训练人工智能模型,各参与方的训练数据依据各参与方的消化道相关的图像数据和波动后的波动数据确定;从识别请求方获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果,并反馈。
本申请的方案可以应用于服务器,服务器可以与多个参与方进行交互,多个参与方之间也可以相互交互,多个参与方可以确定各参与方之间的相似的消化道肿瘤的图像,并上传给服务器,服务器可以依据多个参与方的相似的图像来训练图像数据波动模型,进而依据训练好的图像数据波动模型来对多个参与方的图像数据进行波动,进而得到大量的波动数据。进而依据人工标注的图像数据和波动后的图像数据(及对应的标注),训练服务器的人工智能模型,进而依据训练好的人工智能模型进行辅助诊断。例如,可以接收识别请求方上传的消化道图像,进而依据训练好的人工智能模型进行识别,确定辅助识别结果,并反馈给识别请求方。
具体来说,第一参与方可以与第二参与方进行包含有消化道肿瘤的图像的交互,确定相似的第一图像和第二图像,进而依据相似的第一图像和第二图像训练图像数据波动模型。部分方案是直接依据图像进行旋转、缺失等处理进行数据波动,但是采用这样的方案数据差异较小,对模型的训练效果差,因此,可以利用相似的第一图像和第二图像来训练波动量更大的图像数据波动模型,并依据第一图像和第二图像之间的差异大小来控制图像数据波动模型的波动量,以达到更好的波动效果。训练好图像数据波动模型之后,可以接收各参与方的需要波动的消化道相关的图像数据,并输入到训练好的图像数据波动模型中进行波动和标注,得到波动数据,并反馈给各参与方。之后,各参与方可以依据人工标注的消化道相关的图像数据和通过图像数据波动模型产生的波动数据作为训练数据,进而训练人工智能模型。训练好人工智能模型之后,可以接收识别请求方上传的消化道图像,进而依据训练好的人工智能模型进行识别,确定辅助识别结果,并反馈给识别请求方。本方案可以采取人工标注的数据和由图像数据波动模型产生的波动数据来训练人工智能模型,提升了训练数据的数据量和数据质量,进而提升了人工智能模型的识别准确度。
另外,第一参与方和第二参与方在交互过程中,各参与方可以获取消化道的相关图像的像素值,并转换为二进制,之后可以去除二进制的后缀(相似的像素值去除二进制后缀之后的数值相同),形成比较数据,之后各参与方采取相同的数据加密密钥对比较数据进行加密,其中,同一数据采取相同的数据加密密钥进行加密后的加密结果相同。各参与方对比较数据加密之后,可以将加密的数据进行对比,进而确定图像数据之间的相似度,从而确定相似的第一图像和第二图像。本方案各参与方之间可以在加密状态下进行数据相似匹配,从而保证了各方的数据安全。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本申请一个实施例的基于人工智能的消化道肿瘤诊断辅助方法的流程示意图;
图2是本申请一个实施例的基于人工智能的消化道肿瘤诊断辅助方法的步骤示意图;
图3是本申请一个实施例的一种基于人工智能的消化道肿瘤诊断辅助系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的方案可以应用于服务器,如图1所示,服务器可以与多个参与方进行交互,多个参与方之间也可以相互交互,多个参与方可以确定各参与方之间的相似的消化道肿瘤的图像,服务器可以依据多个参与方的相似的图像来训练图像数据波动模型,进而依据训练好的图像数据波动模型来对多个参与方的图像数据进行波动,进而得到大量的波动数据,并反馈给各参与方。具体的,各参与方可以上传待波动图像给服务器,服务器采取图像数据波动模型进行波动之后,得到波动数据,并反馈给各参与方。
各参与方得到波动数据之后,可以依据人工标注的图像数据和波动后的图像数据(及对应的标注),训练服务器的人工智能模型,进而依据训练好的人工智能模型进行辅助诊断。例如,可以接收识别请求方上传的消化道图像,进而依据训练好的人工智能模型进行识别,确定辅助识别结果,并反馈给识别请求方。
具体来说,第一参与方可以与第二参与方进行包含有消化道肿瘤的图像的交互,确定相似的第一图像和第二图像,进而依据相似的第一图像和第二图像训练图像数据波动模型。部分方案是直接依据图像进行旋转、缺失等处理进行数据波动,但是采用这样的方案数据差异较小,对模型的训练效果差,因此,可以利用相似的第一图像和第二图像来训练波动量更大的图像数据波动模型,并依据第一图像和第二图像之间的差异大小来控制图像数据波动模型的波动量,以达到更好的波动效果。训练好图像数据波动模型之后,可以接收各参与方的需要波动的消化道相关的图像数据,并输入到训练好的图像数据波动模型中进行波动和标注,得到波动数据,并反馈给各参与方。之后,各参与方可以依据人工标注的消化道相关的图像数据和通过图像数据波动模型产生的波动数据作为训练数据,进而训练人工智能模型。训练好人工智能模型之后,可以接收识别请求方上传的消化道图像,进而依据训练好的人工智能模型进行识别,确定辅助识别结果,并反馈给识别请求方。本方案可以采取人工标注的数据和由图像数据波动模型产生的波动数据来训练人工智能模型,提升了训练数据的数据量和数据质量,进而提升了人工智能模型的识别准确度。
另外,第一参与方和第二参与方在交互过程中,各参与方可以获取消化道的相关图像的像素值,并转换为二进制,之后可以去除二进制的后缀,形成比较数据,之后各参与方采取相同的数据加密密钥对比较数据进行加密,其中,同一数据采取相同的数据加密密钥进行加密后的加密结果相同。另外,相似的像素值去除二进制后缀之后的数值相同,比如说,两个图像中同一像素点的数值分别为10和11,10和11转换为二进制为1010和1011,相应的去除后缀之后,得到101和101,另外去除的部分可以补充为0,则得到1010和1010,在后续分析过程中,可以在加密状态下直接匹配到数据。另外,对于不同长度的二进制数值,去除的后缀长度可以不同,具体可以依据需求进行配置。各参与方对比较数据加密之后,可以将加密的数据进行对比,进而确定图像数据之间的相似度,从而确定相似的第一图像和第二图像。本方案各参与方之间可以在加密状态下进行数据相似匹配,从而保证了各方的数据安全。
具体来说,本申请提供一种基于人工智能的消化道肿瘤诊断辅助方法,可以应用于服务器,如图2所示,所述方法包括:
步骤202、第一参与方与第二参与方进行数据交互,确定第一参与方的第一图像和第二参与方的第二图像,所述第一图像和第二图像包含的消化道肿瘤相似。第一参与方和第二参与方可以交互消化道相关的图像(如交互包含肿瘤的图像和不包含肿瘤的图像,可以划分为两类进行分别交互),进而确定相似的第一图像和第二图像;
步骤204、依据第一参与方的第一图像和第二图像,训练图像数据波动模型。本方案可以将第一图像和第二图像汇总到一个节点进行模型训练,也可以以联邦学习的方式进行模型训练;
步骤206、接收各参与方的待波动的消化道相关的图像数据,并依据训练好的图像数据波动模型进行数据波动,得到波动数据,并反馈给各参与方,波动数据包括调整后的图像数据和调整后的图像数据对应的标注。各参与方可以上传相关的图像数据给服务器,服务器依据训练好的图像数据波动模型进行数据波动和波动后的图像的标注,形成波动数据并反馈,对于图像数据的波动可以包括对于正常部分(无肿瘤部分)的波动和异常部分(有肿瘤)的波动,从而可以区分相应的数据,形成标注;
步骤208、依据各参与方的训练数据,训练人工智能模型,各参与方的训练数据依据各参与方的消化道相关的图像数据和波动后的波动数据确定。各参与方可以依据人工标注的图像数据和波动后的图像数据及其标注作为训练数据。各参与方的数据可以汇总到一个节点上进行模型训练;
步骤210、从识别请求方获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果,并反馈。人工智能模型训练完成之后,可以对待识别的消化道图像进行识别,并反馈辅助识别结果,以便进行诊断。
第一参与方可以与第二参与方进行包含有消化道肿瘤的图像的交互,确定相似的第一图像和第二图像,进而依据相似的第一图像和第二图像训练图像数据波动模型。部分方案是直接依据图像进行旋转、缺失等处理进行数据波动,但是采用这样的方案数据差异较小,对模型的训练效果差,因此,可以利用相似的第一图像和第二图像来训练波动量更大的图像数据波动模型,并依据第一图像和第二图像之间的差异大小来控制图像数据波动模型的波动量,以达到更好的波动效果。训练好图像数据波动模型之后,可以接收各参与方的需要波动的消化道相关的图像数据,并输入到训练好的图像数据波动模型中进行波动和标注,得到波动数据,并反馈给各参与方。之后,各参与方可以依据人工标注的消化道相关的图像数据和通过图像数据波动模型产生的波动数据作为训练数据,进而训练人工智能模型。训练好人工智能模型之后,可以接收识别请求方上传的消化道图像,进而依据训练好的人工智能模型进行识别,确定辅助识别结果,并反馈给识别请求方。本方案可以采取人工标注的数据和由图像数据波动模型产生的波动数据来训练人工智能模型,提升了训练数据的数据量和数据质量,进而提升了人工智能模型的识别准确度。
第一参与方和第二参与方在交互过程中,各参与方可以获取消化道的相关图像的像素值,并转换为二进制,之后可以去除二进制的后缀(相似的像素值去除二进制后缀之后的数值相同),形成比较数据,之后各参与方采取相同的数据加密密钥对比较数据进行加密,其中,同一数据采取相同的数据加密密钥进行加密后的加密结果相同。各参与方对比较数据加密之后,可以将加密的数据进行对比,进而确定图像数据之间的相似度,从而确定相似的第一图像和第二图像。本方案各参与方之间可以在加密状态下进行数据相似匹配,从而保证了各方的数据安全。具体的,作为一个可选的实施例,所述第一参与方与第二参与方进行交互,确定第一参与方的第一图像和第二参与方的第二图像,包括:第一参与方获取第一比较图像,提取第一比较图像各像素点的像素值,并转换为二进制的第一数值,去除第一数值的后缀,形成第一比较数据;第二参与方获取第二比较图像,提取第二比较图像各像素点的像素值,并转换为二进制的第二数值,去除第二数值的后缀,形成第二比较数据;第一参与方和第二参与方依据相同的数据加密密钥对第一比较数据和第二比较数据进行加密,并交互加密后的数据来确定加密后的数据是否相同,以确定第一比较图像和第二比较图像之间的相似性;依据第一比较图像和第二比较图像的相似性,确定第一图像和第二图像。在一个图像中具有多个像素点,可以判断图像之间相同的像素点的数量来确定两个图像之间的相似性。两个图像的像素点是否相同可以依据加密的数据是否相同来确定。
对于不同参与方的数据来说,可以预先设置定位点,以便多个参与方依据定位点来对齐数据,进而进行数据相似性的比较。具体的,作为一个可选的实施例,所述方法还包括:获取第一比较图像和第二比较图像中消化道的定位点的位置信息和消化道的参数信息,所述参数信息包括消化道的尺寸信息;依据位置信息和参数信息,确定第一比较图像和第二比较图像的比对规则;所述交互加密后的数据来确定加密后的数据是否相同,包括:第一参与方将加密后的数据传输给第二参与方,第二参与方按照比对规则将第一参与方的加密后的数据和第二参与方的加密后的数据进行比较,以确定第一比较图像和第二比较图像之间的相似性。可以依据两个参与方的消化道的定位点的位置和参数,确定图像数据的比对规则,本方案还可以只提取消化道的部分图像,去除背景图像,从而进行图像之间的对比。
消化道具有多个类型,本方案可以按照消化道类型对数据进行切分,比如说可以将数据切分为两部分,在第一参与方进行一部分数据的比对,在第二参与方进行另外一部分数据的比对,从而更好的利用各参与方的算力。具体的,作为一个可选的实施例,所述交互加密后的数据来确定加密后的数据是否相同,包括:第一参与方按照消化道类型将加密后的数据切分为第一加密数据和第二加密数据,第二参与方按照消化道类型将加密后的数据切分为第三加密数据和第四加密数据;第一参与方传输第一加密数据给第二参与方,第二参与方依据第一加密数据和第二加密数据确定加密后的数据是否相同;第二参与方传输第四加密数据给第一参与方,第一参与方依据第二加密数据和第四加密数据确定加密后的数据是否相同。
本方案可以通过服务器来协调第一参与方和第二参与方的数据加密密钥,以便对数据进行加密,并且,数据加密密钥的加密等级可以较高,本方案中无需解密即可匹配数据,并且,本方案中加密后的数据的数据长度可以相同,如采取哈希的处理方式进行加密。具体的,作为一个可选的实施例,所述第一参与方和第二参与方依据相同的数据加密密钥对第一比较数据和第二比较数据进行加密,包括:下发数据加密密钥给第一参与方和第二参与方;第一参与方按照数据加密密钥对第一比较数据进行加密;第二参与方按照数据加密密钥对第二比较数据进行加密。
部分方案是直接依据图像进行旋转、缺失等处理进行数据波动,但是采用这样的方案数据差异较小,对模型的训练效果差,因此,可以利用相似的第一图像和第二图像来训练波动量更大的图像数据波动模型,并依据第一图像和第二图像之间的差异大小来控制图像数据波动模型的波动量,以达到更好的波动效果。具体的,作为一个可选的实施例,所述依据第一参与方的第一图像和第二图像,训练图像数据波动模型,包括:获取第一参与方上传的第一图像和第二参与方上传的第二图像;将第一图像输入到图像数据波动模型中,得到波动预测图像;确定波动预测图像与第二图像之间的差异,并判断差异是否超过预设差异阈值,若超过,则丢弃波动预测图像,并调整图像数据波动模型,其中,第二图像可以有多个。若是波动预测图像与第二图像之间的差异较大,则该波动可能超过了限制,不符合正常的变化规律,因此,可以利用相似的第二图像对图像数据波动模型的波动大小进行控制和调整,从而训练模型。
本方案可以设置安全计算区域,安全计算区域可以是单独划分出的一个区域,该区域内可以限制数据输入和输出,并且输入的数据和输出的数据均可以是加密的,仅在安全计算区域内进行解密,以提升数据的安全性。具体的,作为一个可选的实施例,所述依据各参与方的训练数据,训练人工智能模型,包括:设置安全计算区域,以通过安全计算区域接收各参与方的训练数据;将人工智能模型部署到安全计算区域,并在安全计算区域内依据训练数据对人工智能模型进行训练,得到训练好的人工智能模型。
训练得到人工智能模型之后,可以依据人工智能模型进行消化道图像的识别,本方案可以设置可信执行环境(TEE),以保护待识别的消化道图像的隐私,具体的,作为一个可选的实施例,所述从识别请求方获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果,并反馈,包括:设置可信执行环境,并将训练好的人工智能模型部署到可信执行环境中;在可信执行环境中,获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果;将辅助识别结果加密后反馈,以在识别请求方进行解密。
在上述实施例的基础上,本申请实施例还提供一种基于人工智能的消化道肿瘤诊断辅助系统,可以应用于服务器,如图3所示,所述系统包括:
数据交互处理模块302,用于第一参与方与第二参与方进行数据交互,确定第一参与方的第一图像和第二参与方的第二图像,所述第一图像和第二图像包含的消化道肿瘤相似;
波动模型训练模块304,用于依据第一参与方的第一图像和第二图像,训练图像数据波动模型;
图像数据波动模块306,用于接收各参与方的待波动的消化道相关的图像数据,并依据训练好的图像数据波动模型进行数据波动,得到波动数据,并反馈给各参与方;
智能模型训练模块308,用于依据各参与方的训练数据,训练人工智能模型,各参与方的训练数据依据各参与方的消化道相关的图像数据和波动后的波动数据确定;
图像数据识别模块310,用于从识别请求方获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果,并反馈。
本申请实施例的实施方式与上述方法实施例的实施方式类似,具体实施方式可以参考上述方法实施例的具体实施方式,此处不再赘述。
第一参与方可以与第二参与方进行包含有消化道肿瘤的图像的交互,确定相似的第一图像和第二图像,进而依据相似的第一图像和第二图像训练图像数据波动模型。部分方案是直接依据图像进行旋转、缺失等处理进行数据波动,但是采用这样的方案数据差异较小,对模型的训练效果差,因此,可以利用相似的第一图像和第二图像来训练波动量更大的图像数据波动模型,并依据第一图像和第二图像之间的差异大小来控制图像数据波动模型的波动量,以达到更好的波动效果。训练好图像数据波动模型之后,可以接收各参与方的需要波动的消化道相关的图像数据,并输入到训练好的图像数据波动模型中进行波动和标注,得到波动数据,并反馈给各参与方。之后,各参与方可以依据人工标注的消化道相关的图像数据和通过图像数据波动模型产生的波动数据作为训练数据,进而训练人工智能模型。训练好人工智能模型之后,可以接收识别请求方上传的消化道图像,进而依据训练好的人工智能模型进行识别,确定辅助识别结果,并反馈给识别请求方。本方案可以采取人工标注的数据和由图像数据波动模型产生的波动数据来训练人工智能模型,提升了训练数据的数据量和数据质量,进而提升了人工智能模型的识别准确度。
在上述实施例的基础上,本申请还提供一种电子设备,包括:存储器和至少一个处理器;所述存储器用于存储计算机执行指令;所述至少一个处理器用于执行所述存储器中存储的计算机执行指令,使得所述至少一个处理器执行如上述实施例所述的方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述数据的处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random ACGess Memory,简称RAM)、磁碟或者光盘等。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的定界,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种基于人工智能的消化道肿瘤诊断辅助方法,其特征在于,应用于服务器,所述方法包括:
第一参与方与第二参与方进行数据交互,确定第一参与方的第一图像和第二参与方的第二图像,所述第一图像和第二图像包含的消化道肿瘤相似;
依据第一参与方的第一图像和第二图像,训练图像数据波动模型;
接收各参与方的待波动的消化道相关的图像数据,并依据训练好的图像数据波动模型进行数据波动,得到波动数据,并反馈给各参与方,波动数据包括调整后的图像数据和调整后的图像数据对应的标注;
依据各参与方的训练数据,训练人工智能模型,各参与方的训练数据依据各参与方的消化道相关的图像数据和波动后的波动数据确定;
从识别请求方获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果,并反馈。
2.根据权利要求1所述的方法,其特征在于,所述第一参与方与第二参与方进行交互,确定第一参与方的第一图像和第二参与方的第二图像,包括:
第一参与方获取第一比较图像,提取第一比较图像各像素点的像素值,并转换为二进制的第一数值,去除第一数值的后缀,形成第一比较数据;
第二参与方获取第二比较图像,提取第二比较图像各像素点的像素值,并转换为二进制的第二数值,去除第二数值的后缀,形成第二比较数据;
第一参与方和第二参与方依据相同的数据加密密钥对第一比较数据和第二比较数据进行加密,并交互加密后的数据来确定加密后的数据是否相同,以确定第一比较图像和第二比较图像之间的相似性;
依据第一比较图像和第二比较图像的相似性,确定第一图像和第二图像。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取第一比较图像和第二比较图像中消化道的定位点的位置信息和消化道的参数信息,所述参数信息包括消化道的尺寸信息;
依据位置信息和参数信息,确定第一比较图像和第二比较图像的比对规则;
所述交互加密后的数据来确定加密后的数据是否相同,包括:
第一参与方将加密后的数据传输给第二参与方,第二参与方按照比对规则将第一参与方的加密后的数据和第二参与方的加密后的数据进行比较,以确定第一比较图像和第二比较图像之间的相似性。
4.根据权利要求2所述的方法,其特征在于,所述交互加密后的数据来确定加密后的数据是否相同,包括:
第一参与方按照消化道类型将加密后的数据切分为第一加密数据和第二加密数据,第二参与方按照消化道类型将加密后的数据切分为第三加密数据和第四加密数据;
第一参与方传输第一加密数据给第二参与方,第二参与方依据第一加密数据和第二加密数据确定加密后的数据是否相同;
第二参与方传输第四加密数据给第一参与方,第一参与方依据第二加密数据和第四加密数据确定加密后的数据是否相同。
5.根据权利要求2所述的方法,其特征在于,所述第一参与方和第二参与方依据相同的数据加密密钥对第一比较数据和第二比较数据进行加密,包括:
下发数据加密密钥给第一参与方和第二参与方;
第一参与方按照数据加密密钥对第一比较数据进行加密;
第二参与方按照数据加密密钥对第二比较数据进行加密。
6.根据权利要求1所述的方法,其特征在于,所述依据第一参与方的第一图像和第二图像,训练图像数据波动模型,包括:
获取第一参与方上传的第一图像和第二参与方上传的第二图像;
将第一图像输入到图像数据波动模型中,得到波动预测图像;
确定波动预测图像与第二图像之间的差异,并判断差异是否超过预设差异阈值,若超过,则丢弃波动预测图像,并调整图像数据波动模型,其中,第二图像有多个。
7.根据权利要求1所述的方法,其特征在于,所述依据各参与方的训练数据,训练人工智能模型,包括:
设置安全计算区域,以通过安全计算区域接收各参与方的训练数据;
将人工智能模型部署到安全计算区域,并在安全计算区域内依据训练数据对人工智能模型进行训练,得到训练好的人工智能模型。
8.根据权利要求1所述的方法,其特征在于,所述从识别请求方获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果,并反馈,包括:
设置可信执行环境,并将训练好的人工智能模型部署到可信执行环境中;
在可信执行环境中,获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果;
将辅助识别结果加密后反馈,以在识别请求方进行解密。
9.一种基于人工智能的消化道肿瘤诊断辅助系统,其特征在于,所述系统包括:
数据交互处理模块,用于第一参与方与第二参与方进行数据交互,确定第一参与方的第一图像和第二参与方的第二图像,所述第一图像和第二图像包含的消化道肿瘤相似;
波动模型训练模块,用于依据第一参与方的第一图像和第二图像,训练图像数据波动模型;
图像数据波动模块,用于接收各参与方的待波动的消化道相关的图像数据,并依据训练好的图像数据波动模型进行数据波动,得到波动数据,并反馈给各参与方;
智能模型训练模块,用于依据各参与方的训练数据,训练人工智能模型,各参与方的训练数据依据各参与方的消化道相关的图像数据和波动后的波动数据确定;
图像数据识别模块,用于从识别请求方获取待识别的消化道图像,并将消化道图像输入到训练好的人工智能模型中,确定消化道肿瘤的辅助识别结果,并反馈。
10.一种电子设备,其特征在于,包括:存储器和至少一个处理器;
所述存储器用于存储计算机执行指令;
所述至少一个处理器用于执行所述存储器中存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311368699.2A CN117132790B (zh) | 2023-10-23 | 2023-10-23 | 基于人工智能的消化道肿瘤诊断辅助系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311368699.2A CN117132790B (zh) | 2023-10-23 | 2023-10-23 | 基于人工智能的消化道肿瘤诊断辅助系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132790A true CN117132790A (zh) | 2023-11-28 |
CN117132790B CN117132790B (zh) | 2024-02-02 |
Family
ID=88854799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311368699.2A Active CN117132790B (zh) | 2023-10-23 | 2023-10-23 | 基于人工智能的消化道肿瘤诊断辅助系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132790B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517256A (zh) * | 2019-08-30 | 2019-11-29 | 重庆大学附属肿瘤医院 | 一种基于人工智能的早期癌辅助诊断系统 |
CN110909780A (zh) * | 2019-11-14 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 一种图像识别模型训练和图像识别方法、装置及系统 |
CN112257579A (zh) * | 2020-10-21 | 2021-01-22 | 平安科技(深圳)有限公司 | 模型训练方法、动作识别方法、装置、设备及存储介质 |
WO2021159684A1 (zh) * | 2020-02-14 | 2021-08-19 | 云从科技集团股份有限公司 | 数据处理方法、系统、平台、设备及机器可读介质 |
CN113705554A (zh) * | 2021-08-13 | 2021-11-26 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、设备及存储介质 |
CN113792759A (zh) * | 2021-08-19 | 2021-12-14 | 北京爱笔科技有限公司 | 识别模型训练方法、装置、计算机设备和存储介质 |
CN113902135A (zh) * | 2021-10-28 | 2022-01-07 | 新智我来网络科技有限公司 | 样本数据量联合扩充方法、装置、设备、系统及存储介质 |
WO2022222458A1 (zh) * | 2021-04-19 | 2022-10-27 | 温州医科大学 | 一种面向医学影像的人工智能辅助诊断模型构建系统 |
US20230124389A1 (en) * | 2021-10-18 | 2023-04-20 | Beijing Baidu Netcom Science Technology Co., Ltd. | Model Determination Method and Electronic Device |
-
2023
- 2023-10-23 CN CN202311368699.2A patent/CN117132790B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517256A (zh) * | 2019-08-30 | 2019-11-29 | 重庆大学附属肿瘤医院 | 一种基于人工智能的早期癌辅助诊断系统 |
CN110909780A (zh) * | 2019-11-14 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 一种图像识别模型训练和图像识别方法、装置及系统 |
WO2021159684A1 (zh) * | 2020-02-14 | 2021-08-19 | 云从科技集团股份有限公司 | 数据处理方法、系统、平台、设备及机器可读介质 |
CN112257579A (zh) * | 2020-10-21 | 2021-01-22 | 平安科技(深圳)有限公司 | 模型训练方法、动作识别方法、装置、设备及存储介质 |
WO2022222458A1 (zh) * | 2021-04-19 | 2022-10-27 | 温州医科大学 | 一种面向医学影像的人工智能辅助诊断模型构建系统 |
CN113705554A (zh) * | 2021-08-13 | 2021-11-26 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、设备及存储介质 |
CN113792759A (zh) * | 2021-08-19 | 2021-12-14 | 北京爱笔科技有限公司 | 识别模型训练方法、装置、计算机设备和存储介质 |
US20230124389A1 (en) * | 2021-10-18 | 2023-04-20 | Beijing Baidu Netcom Science Technology Co., Ltd. | Model Determination Method and Electronic Device |
CN113902135A (zh) * | 2021-10-28 | 2022-01-07 | 新智我来网络科技有限公司 | 样本数据量联合扩充方法、装置、设备、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
颜子杰 等: "基于训练数据动态分配的深度学习并行优化机制", 计算机工程与科学, no. 1, pages 145 - 148 * |
Also Published As
Publication number | Publication date |
---|---|
CN117132790B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102015215120B4 (de) | Verfahren zur verwendung einer vorrichtung zum entriegeln einer weiteren vorrichtung | |
KR102611454B1 (ko) | 분산 기계 학습을 위한 저장 장치 및 그것의 기계 학습 방법 | |
Ye et al. | Monocular 3d object detection via feature domain adaptation | |
DE112016004350T5 (de) | Erstellung von drohnen bezogenen inhalts unter verwendung von schwarmbestätigung | |
CN105960775B (zh) | 用于迁移密钥的方法和装置 | |
US20190260580A1 (en) | System and method for controlling access to encrypted vehicular data | |
US11263296B2 (en) | Secure 3D printing | |
CN109462475B (zh) | 数据加密方法、解密方法及相关装置 | |
KR102013372B1 (ko) | 영상 특징맵 생성 장치 및 방법 | |
CN106709319B (zh) | 一种二维码编码、解码应用权限控制系统及分级授权方法 | |
GB2600212A (en) | Data privacy system | |
CN113254408A (zh) | 一种不可见标记的添加方法、装置、介质及电子设备 | |
CN117132790B (zh) | 基于人工智能的消化道肿瘤诊断辅助系统 | |
CN114125389B (zh) | 一种基于大数据的智慧园林云监管系统 | |
CN116028964B (zh) | 一种信息安全风险管理系统 | |
CN108803658A (zh) | 基于无人机的巡检系统 | |
US20180314807A1 (en) | File permission control method | |
CN109657487A (zh) | 图像处理方法、图像验证方法及其装置 | |
CN113469139B (zh) | 无人机边缘侧嵌入式ai芯片的数据安全传输方法及系统 | |
CN114564323A (zh) | 数据污染检测方法、检测设备、云服务器及终端设备 | |
CN112632641B (zh) | 一种生产软件安全加密传输方法和电子设备 | |
CN117424756B (zh) | 矿用变频调速异步一体机控制加密方法、装置及电子设备 | |
CN117506251A (zh) | 针对焊接预热的感应式加热控制方法 | |
US20240022575A1 (en) | Securely transmitting data in a data stream | |
CN116910330B (zh) | 一种财务档案管理的方法、系统、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 |