DE102018128806A1

DE102018128806A1 - Medizinisches bildanalyseverfahren unter anwendung von maschinellem lernen und system dafür

Info

Publication number: DE102018128806A1
Application number: DE102018128806.9A
Authority: DE
Inventors: Ching-Wei Wang
Original assignee: Univ Nat Taiwan Science & Technology; National Taiwan University of Science and Technology NTUST
Current assignee: Univ Nat Taiwan Science & Technology; National Taiwan University of Science and Technology NTUST
Priority date: 2018-07-12
Filing date: 2018-11-16
Publication date: 2020-01-16
Also published as: US20200019823A1; TW202006738A; JP2020013529A

Abstract

Ein medizinisches Bildanalyseverfahren, das maschinelles Lernen anwendet, und ein System davon sind bereitgestellt. Das medizinische Bildanalysesystem umfasst einen Cloud-Server und eine elektronische Vorrichtung. Der Cloud-Server speichert ein Deep Learning Modul und ein künstliche Intelligenz-Modell. Das medizinische Bildanalyseverfahren umfasst die folgenden Schritte. Korrekturdaten werden in das Deep Learning Modul eingegeben, so dass das Deep Learning Modul das künstliche Intelligenz-Modell gemäß den Korrekturdaten korrigiert, um ein korrigiertes künstliche Intelligenz-Modell zu erzeugen. Darüber hinaus werden medizinische Bilddaten in die elektronische Vorrichtung eingegeben, wobei die elektronische Vorrichtung die medizinischen Bilddaten dem Cloud-Server zur Verfügung stellt, um die medizinischen Bilddaten durch das korrigierte künstliche Intelligenz-Modell zu analysieren und Analyseergebnisdaten zu erzeugen.

Description

HINTERGRUND
Technisches Gebiet
Die Erfindung betrifft ein Analyseverfahren, das maschinelles Lernen anwendet. Insbesondere betrifft die Erfindung ein medizinisches Bildanalyseverfahren unter Anwendung des maschinellen Lernens und dessen System.
Beschreibung des Stands der Technik
Krebs ist zu einer der häufigsten Todesursachen in Entwicklungsländern geworden. Bei der Diagnose von Krebs ist der pathologische Teil der Untersuchungsberichte eines der wichtigsten diagnostischen Kriterien. Im Allgemeinen kann ein Arzt die Wachstumsgeschwindigkeit des Tumors, den Grad der Erkrankung und die Eigenschaften des Tumors durch den pathologischen Teil der Untersuchungsberichte beurteilen, so dass der pathologische Teil der Untersuchungsberichte eine wichtige Rolle bei der Behandlung eines Patienten spielt. In einem digitalen medizinischen Bild kann das medizinische Bild jedoch Hunderte von Millionen von Pixeln aufweisen. Mit anderen Worten, ein so großes Datenvolumen kann in einer begrenzten Zeit nicht vollständig und genau interpretiert werden. Außerdem, wenn die medizinischen Bilder desselben pathologischen Teils von verschiedenen professionell ausgebildeten Pathologen beurteilt werden, ist ein Konsens über die pathologische Analyse unter den Pathologen nicht hoch. Daher ist die effektive Analyse der medizinischen Bilddaten ein wichtiges Thema, und Lösungen für dieses Problem sind in den folgenden Ausführungsformen bereitgestellt.
ZUSAMMENFASSUNG
Die Erfindung stellt ein medizinisches Bildanalyseverfahren und ein System davon mit maschinellem Lernen bereit, die künstliche Intelligenz-Modelle durch adaptives Lernen und kontinuierliche Optimierung erzeugen können, und das künstliche Intelligenz-Modell kann die medizinischen Bilder effektiv analysieren.
Ein medizinisches Bildanalyseverfahren einer Ausführungsform, das maschinelles Lernen anwendet, ist für ein medizinische Bildanalysesystem eingerichtet. Das medizinische Bildanalysesystem umfasst einen Cloud-Server und eine elektronische Vorrichtung. Der Cloud-Server speichert ein Deep Learning Modul und ein künstliche Intelligenz-Modell. Das medizinische Bildanalyseverfahren umfasst die folgenden Schritte. Korrekturdaten werden in das Deep Learning Modul eingegeben, so dass das Deep Learning Modul das künstliche Intelligenz-Modell gemäß den Korrekturdaten korrigiert, um ein korrigiertes künstliche Intelligenz-Modell zu erzeugen. Darüber hinaus werden medizinische Bilddaten in die elektronische Vorrichtung eingegeben, wobei die elektronische Vorrichtung die medizinischen Bilddaten dem Cloud-Server zur Verfügung stellt, um die medizinischen Bilddaten durch das korrigierte künstliche Intelligenz-Modell zu analysieren und Analyseergebnisdaten zu erzeugen.
In einer Ausführungsform der Erfindung umfasst das medizinische Bildanalyseverfahren weiter die folgenden Schritte. Nächste Korrekturdaten werden gemäß den Analyseergebnisdaten erzeugt, und die nächsten Korrekturdaten werden in das Deep Learning Modul eingegeben. Das korrigierte künstliche Intelligenz-Modell wird durch das Deep Learning Modul gemäß den nächsten Korrekturdaten korrigiert, um ein nächstes korrigiertes künstliche Intelligenz-Modell zu erzeugen.
In einer Ausführungsform der Erfindung umfasst das medizinische Bildanalyseverfahren weiter die folgenden Schritte. Trainingsdaten werden in das Deep Learning Modul eingegeben, so dass das Deep Learning Modul das künstliche Intelligenz-Modell gemäß den Trainingsdaten erstellt.
In einer Ausführungsform der Erfindung umfassen die Trainingsdaten eine Vielzahl von medizinischen Referenzbildern, und das Deep Learning Modul umfasst ein FCN (Fully Convolutional Network)-Modul. Der Schritt zum Eingeben von Trainingsdaten in das Deep Learning Modul, so dass das Deep Learning Modul das künstliche Intelligenz-Modell gemäß den Trainingsdaten erstellt, umfasst die folgenden Schritte: Das FCN-Modul wird durch das Deep Learning Modul ausgeführt, so dass das FCN-Modul neuronale Netzwerkoperationen an jedem der medizinischen Referenzbilder durchführt, um das künstliche Intelligenz-Modell zu erstellen.
In einer Ausführungsform der Erfindung führt das FCN-Modul einen Upsampling-Vorgang an jedem der medizinischen Referenzbilder durch.
In einer Ausführungsform der Erfindung umfasst das medizinische Bildanalyseverfahren weitere die folgenden Schritte. Weitere medizinische Bilddaten werden in die elektronische Vorrichtung eingegeben, wobei die elektronische Vorrichtung die weiteren medizinischen Bilddaten dem Cloud-Server zur Verfügung stellt, um die weiteren medizinischen Bilddaten durch das künstliche Intelligenz-Modell zu analysieren und weitere Analyseergebnisdaten zu erzeugen. Die Korrekturdaten werden gemäß den weiteren Analyseergebnisdaten erzeugt.
In einer Ausführungsform der Erfindung umfasst der Schritt zum Eingeben von Korrekturdaten in das Deep Learning Modul, so dass das Deep Learning Modul das künstliche Intelligenz-Modell gemäß den Korrekturdaten korrigiert, um das korrigierte künstliche Intelligenz-Modell zu erzeugen, die folgenden Schritte. Weitere Trainingsdaten werden in das Deep Learning Modul eingegeben, so dass das Deep Learning Modul das künstliche Intelligenz-Modell gemäß den Korrekturdaten und den weiteren Trainingsdaten korrigiert, um das korrigierte künstliche Intelligenz-Modell zu erzeugen.
In einer Ausführungsform der Erfindung ist ein Gewicht der Korrekturdaten größer als ein Gewicht der weiteren Trainingsdaten.
In einer Ausführungsform der Erfindung umfassen die weiteren Trainingsdaten weitere medizinische Referenzbilder.
Das medizinische Bildanalysesystem, das maschinelles Lernen anwendet, umfasst in einer Ausführungsform der Erfindung einen Cloud-Server und eine elektronische Vorrichtung. Der Cloud-Server speichert ein Deep Learning Modul und ein künstliche Intelligenz-Modell. Die elektronische Vorrichtung ist mit dem Cloud-Server verbunden. Wenn der Cloud-Server die Korrekturdaten empfängt, korrigiert das Deep Learning Modul das künstliche Intelligenz-Modell gemäß den Korrekturdaten, um ein korrigiertes künstliche Intelligenz-Modell zu erzeugen. Wenn die elektronische Vorrichtung die medizinischen Bilddaten empfängt, stellt die elektronische Vorrichtung dem Cloud-Server die medizinischen Bilddaten zur Verfügung, and das korrigierte künstliche Intelligenz-Modell analysiert die medizinischen Bilddaten, um Analyseergebnisdaten zu erzeugen.
Zusammengefasst, im medizinischen Bildanalyseverfahren, das maschinelles Lernen anwendet, und seinem System, stellt die elektronische Vorrichtung die medizinischen Bilddaten dem Cloud-Server zu Verfügung, nachdem der Benutzer die medizinischen Bilddaten durch die elektronische Vorrichtung eingegeben hat. Die medizinischen Bilddaten werden durch das Deep Learning Modul und das im Cloud-Server erstellte künstliche Intelligenz-Modell analysiert. Auf diese Weise werden die medizinischen Bilddaten effektiv analysiert, und die Analyseergebnisdaten werden erzeugt.
Um dies besser nachvollziehbar zu machen, werden nachfolgend im Detail mehrere Ausführungsformen, die mit Zeichnungen versehen sind, beschrieben.
Figurenliste
Die beigefügten Zeichnungen sind enthalten, um ein besseres Verständnis der Offenbarung zu vermitteln, und sie sind in diese Beschreibung integriert und bilden einen Teil davon. Die Zeichnungen veranschaulichen exemplarische Ausführungsformen der Offenbarung und dienen zusammen mit der Beschreibung dazu, die Grundsätze der Offenbarung zu erläutern.

1 ist ein Blockdiagramm eines medizinischen Bildanalysesystems gemäß einer Ausführungsform der Erfindung.
2 ist eine schematische Darstellung eines Analyseergebnisses von medizinischen Bilddaten gemäß einer Ausführungsform der Erfindung.
3 ist ein Blockdiagramm eines medizinischen Bildanalysesystems gemäß einer anderen Ausführungsform der Erfindung.
4 ist ein schematisches Diagramm für einen Ablauf für ein medizinisches Bildanalysesystem gemäß einer Ausführungsform der 3.
5 ist ein Flussdiagramm einer Anfangsphase gemäß einer Ausführungsform der 4.
6 ist ein Flussdiagramm einer kontinuierlichen Korrekturphase gemäß der Ausführungsform der 4.
7 ist ein schematisches Diagramm der kontinuierlichen Optimierung, die an einem künstliche Intelligenz-Modell gemäß einer Ausführungsform der Erfindung durchgeführt wird.
8 ist ein Flussdiagramm eines medizinischen Bildanalyseverfahrens gemäß einer Ausführungsform der Erfindung.

BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
Um die Erfindung verständlicher zu machen, werden im Folgenden mehrere Ausführungsformen als Beispiele für die Umsetzung der Erfindung beschrieben. Darüber hinaus werden Elemente/Komponenten/Schritte mit den gleichen Referenznummern verwendet, um gleiche oder ähnliche Teile in den Zeichnungen und Ausführungsformen zu bezeichnen.
1 ist ein Blockdiagramm eines medizinischen Bildanalysesystems gemäß einer Ausführungsform der Erfindung. Unter Bezugnahme auf 1 umfasst ein medizinisches Bildanalysesystem 10 einen Cloud-Server 100 und eine elektronische Vorrichtung 200. Der Cloud-Server 100 speichert ein Deep Learning Modul 111 und ein künstliche Intelligenz (KI)-Modell 112. Die elektronische Vorrichtung 200 umfasst eine Eingabevorrichtung 210. In dieser Ausführungsform kann jeder vom Cloud-Server 100 und der elektronischen Vorrichtung 200 ein Kommunikationsmodul umfassen, so dass eine drahtgebundene oder drahtlose Datenübertragung zwischen dem Cloud-Server 100 und der elektronischen Vorrichtung 200 durchgeführt werden kann. Der Cloud-Server 100 kann ein großes Volumen an medizinischen Referenzbildern speichern, damit ein Benutzer das erforderliche künstliche Intelligenz-Modell 112 selbst erstellen kann. Das heißt, der Benutzer kann sich aus der Ferne mit dem Cloud-Server 100 verbinden, indem er die elektronische Vorrichtung 200 bedient. Darüber hinaus kann der Benutzer das Deep Learning Modul 111 und das im Cloud-Server 100 vorkonfigurierte künstliche Intelligenz-Modell 112 über das Kommunikationsmodul ausführen, um eine medizinische Bildanalyse durchzuführen. Das künstliche Intelligenz-Modell 112 dieser Ausführungsform kann eine automatische Bildidentifikation und -analyse an einem medizinischen Bild gemäß einem vorbestimmten Merkmalswert oder einer Bestimmungsbedingung durchführen. Mit anderen Worten, die vom Benutzer betriebene elektronische Vorrichtung 200 muss nicht mit einer übermäßig hohen Hardwareleistung ausgestattet sein, und die Arbeiten zur medizinischen Bildanalyse können bequem über den entfernt bereitgestellten Cloud-Server 100 durchgeführt werden.
Die elektronische Vorrichtung 200 kann eine Computervorrichtung wie ein Desktop, eine Arbeitsstation, ein Laptop oder ein Tablett und dergleichen sein. Die elektronische Vorrichtung 200 kann mit dem Cloud-Server 100 kommunizieren. Die Eingabevorrichtung 210 kann eine Tastatur, eine Maus, Dateneingabeschnittstellen verschiedener Typen oder Datenübertragungsschnittstellen verschiedener Typen umfassen und verfügt über eine entsprechende physikalische Eingangsschaltung, ein Gerät oder eine Hardware-Struktur. Die Dateneingabeschnittstellen oder die Datenübertragungsschnittstellen können so konfiguriert werden, dass sie medizinische Bilddaten übertragen. So kann der Benutzer beispielsweise einen Steuerbefehl, Korrekturdaten, Trainingsdaten oder die medizinischen Bilddaten über die Eingabevorrichtung 210 der elektronischen Vorrichtung 200 eingeben und dem Cloud-Server 100 den Steuerbefehl, die Korrekturdaten, die Trainingsdaten oder die medizinischen Bilddaten zur Fernsteuerung des Cloud-Servers 100 bereitstellen.
In dieser Ausführungsform kann der Benutzer die Korrekturdaten über die Eingabevorrichtung 210 der elektronischen Vorrichtung 200 eingeben. Darüber hinaus stellt die elektronische Vorrichtung 200 dem Deep Learning Modul 111 des Cloud-Servers 100 die Korrekturdaten zur Verfügung, so dass das Deep Learning Modul 111 das künstliche Intelligenz-Modell 112 entsprechend den Korrekturdaten korrigiert, um ein korrigiertes künstliche Intelligenz-Modell zu erzeugen, aber die Erfindung ist nicht darauf beschränkt. In einer Ausführungsform kann der Benutzer die Korrekturdaten auch direkt über eine Eingabeschnittstelle des Cloud-Servers 100 in den Cloud-Server 100 eingeben. In dieser Ausführungsform kann der Benutzer, nachdem das Deep Learning Modul 111 das korrigierte künstliche Intelligenz-Modell erzeugt hat, die medizinischen Bilddaten (z.B. ein Schnittbild eines Körperorgans) über die elektronische Vorrichtung 200 eingeben. Darüber hinaus stellt die elektronische Vorrichtung 200 dem Cloud-Server 100 die medizinischen Bilddaten zur Verfügung, um die medizinischen Bilddaten durch das korrigierte künstliche Intelligenz-Modell zu analysieren und Analyseergebnisdaten zu erzeugen.
Das heißt, im medizinischen Bildanalysesystem 10 dieser Ausführungsform kann der Benutzer die medizinische Bildanalyse durchführen, indem er der elektronischen Vorrichtung 200 die Möglichkeit gibt, aus der Ferne mit dem Cloud-Server 100 zu kommunizieren. Darüber hinaus korrigiert das Deep Learning Modul 111 in dieser Ausführungsform das künstliche Intelligenz-Modell 112 durch die eingegebenen Korrekturdaten effektiv. Es ist zu beachten, dass die Korrekturdaten entsprechend einem früheren medizinischen Bildanalyse-Ergebnis erzeugt werden können und die Korrekturdaten beispielsweise einen Modellparameter oder eine Einstellung zur Korrektur des künstliche Intelligenz-Modells 112 umfassen können, was durch die Erfindung nicht in besonderer Weise beschränkt ist. Daher wird das medizinische Bildanalysesystem 10 dieser Ausführungsform kontinuierlich optimiert, um das künstliche Intelligenz-Modell zu korrigieren und eine genaue medizinische Bildanalysefunktion bereitzustellen.
Es wird angemerkt, dass die vom Cloud-Server 100 dieser Ausführungsform erzeugten Analyseergebnisdaten ein quantitativer Analysebericht sein können und die medizinischen Bilddaten von medizinischen Bildanzeigegeräten stammen können. Die medizinischen Bilddaten können das medizinische Bild umfassen, und das medizinische Bild kann ein Immunhistochemie (IHC)-Mikroskopbild oder ein anderes Schnittbild sein. In dieser Ausführungsform können die medizinischen Bilddaten beispielsweise ein Schnittbild eines bestimmten Organs sein. Darüber hinaus ist das medizinische Bildanalysesystem 10 dieser Ausführungsform eingerichtet, um die medizinischen Bilddaten unter Verwendung des korrigierten künstliche Intelligenz-Modells zu analysieren, um effektiv zu bestimmen, ob ein Krebszellengewebe in einem Teilgewebe des spezifischen Organs im Schnittbild vorhanden ist.
2 ist eine schematische Darstellung eines Analyseergebnisses von medizinischen Bilddaten gemäß einer Ausführungsform der Erfindung. Unter Bezugnahme auf 1 und 2 kann die elektronische Vorrichtung 200 dem Cloud-Server 100 die medizinischen Bilddaten eines bestimmten biologischen Organs bereitstellen, um die Analyseergebnisdaten zu erhalten, und die Analyseergebnisdaten beziehen sich auf pathologische Informationen des biologischen 5 Organs. So stellt beispielsweise 2 ein Analyseergebnis eines medizinischen Bildes einer Lunge dar. Die elektronische Vorrichtung 200 kann dem Cloud-Server 100 ein Schnittbild MI der Lunge zur Verfügung stellen. Das vom Cloud-Server 100 vorkonfigurierte künstliche Intelligenz-Modell 112 kann das Schnittbild MI der Lunge analysieren und erzeugt ein Analyseergebnis der entsprechenden pathologischen Informationen.
In 2 umfasst das Schnittbild MI ein Teilgewebe OT der Lunge und ein Krebszellgewebe PA. Der Cloud-Server 100 kann Informationen eines jeden Pixels im Schnittbild MI analysieren, um mittels des künstliche Intelligenz-Modells 112 zu bestimmen, ob das Krebszellgewebe PA im Teilgewebe OT im Schnittbild MI der Lunge existiert. Das heißt, das künstliche Intelligenz-Modell 112 kann eine Position eines Symptoms oder eines Zeichens des Krebszellgewebes PA bestimmen, um einen Bereich des Krebszellgewebes PA zu markieren. In dieser Ausführungsform kann der Cloud-Server 100 nach Abschluss der Analyse durch das künstliche Intelligenz-Modell 112 das Analyseergebnis in Echtzeit an die elektronische Vorrichtung 200 zurücksenden. Das heißt, das medizinische Bildanalysesystem 10 dieser Ausführungsform kann das Analyseergebnis des Schnittbildes MI schnell erhalten.
3 ist ein Blockdiagramm eines medizinischen Bildanalysesystems gemäß einer weiteren Ausführungsform der Erfindung. In Bezug auf 3 umfasst ein medizinisches Bildanalysesystem 30 einen Cloud-Server 300 und eine elektronische Vorrichtung 400. Der Cloud-Server 300 kann eine Speichervorrichtung 310, einen Prozessor 320 und ein Kommunikationsmodul 330 beinhalten. Die elektronische Vorrichtung 400 kann eine Eingabevorrichtung 410, einen Prozessor 420 und ein Kommunikationsmodul 430 umfassen. In dieser Ausführungsform kann die Speichervorrichtung 310 ein Deep Learning Modul 311 und ein künstliche Intelligenz-Modell 312 speichern. Der Benutzer kann ein großes Datenvolumen durch das Deep Learning Modul 311 verarbeiten und analysieren, indem er ein großes Volumen an medizinischen Referenzbildern verwendet, die vorab in der Speichervorrichtung 310 gespeichert sind, um das vom Benutzer benötigte künstliche Intelligenz-Modell 312 zu erzeugen. In dieser Ausführungsform kann der Cloud-Server 300 ein Dateiserver, ein Datenbankserver, ein Anwendungsserver, eine Arbeitsstation, ein PC oder andere ähnliche Arten von Computervorrichtung mit einer Rechenleistung sein. Die elektronische Vorrichtung 400 kann eine Computervorrichtung sein. Das Kommunikationsmodul 330 des Cloud-Servers 300 kann mit dem Kommunikationsmodul 430 der elektronischen Vorrichtung 400 kommunizieren, so dass eine Datenübertragung zwischen dem Cloud-Server 300 und der elektronischen Vorrichtung 400 durchgeführt werden kann.
Die Speichervorrichtung 310 des Cloud-Servers 300 kann eine Festplatte (HDD), ein fester oder beweglicher Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein Flash-Speicher oder ähnliche Vorrichtungen in irgendeiner Form oder eine Kombination der vorgenannten Vorrichtungen sein. Die Speichervorrichtung 310 kann das Deep Learning Modul 311 und das künstliche Intelligenz-Modell 312 und auch eines oder eine Vielzahl von korrigierten künstliche Intelligenz-Modellen, die vom Deep Learning Modul 311 erzeugt werden, speichern. Darüber hinaus kann die Speichervorrichtung 310 auch verschiedene Daten, Bilder, Analyseergebnisse usw. speichern, die in den Ausführungsformen der Erfindung beschrieben sind.
Jeder vom Prozessor 320 des Cloud-Servers 300 und Prozessor 420 der elektronischen Vorrichtung 400 kann eine zentrale Verarbeitungseinheit (CPU), ein Mikroprozessor, ein digitaler Signalprozessor (DSP), eine programmierbare Steuerung, eine anwendungsspezifische integrierte Schaltung (ASIC), ein System on Chip (SoC) oder andere ähnliche Vorrichtungen oder eine Kombination der vorgenannten Vorrichtungen sein.
Jedes vom Kommunikationsmodul 330 des Cloud-Servers 300 und Kommunikationsmodul 430 der elektronischen Vorrichtung 400 kann eine drahtgebundene Kommunikationsschnittstelle oder eine drahtlose Kommunikationsschnittstelle sein. Die Kommunikation kann beispielsweise über ein Kabel im drahtgebundenen Kommunikationsmodul erfolgen, und die Kommunikation kann beispielsweise über Wi-Fi im drahtlosen Kommunikationsmodul erfolgen, aber die Erfindung ist nicht darauf beschränkt. So kann der Benutzer beispielsweise die elektronische Vorrichtung 400 betreiben, dass die elektronische Vorrichtung 400 über die Wi-Fi-Verbindung durch das Kommunikationsmodul 430 der elektronischen Vorrichtung 400 mit einer Netzwerkbasisstation verbunden werden kann, und die elektronische Vorrichtung 400 wird dann weiter durch die Netzwerkbasisstation drahtgebunden oder drahtlos mit dem Kommunikationsmodul 330 des Cloud-Servers 300 verbunden. Das heißt, die Fernverbindung zum Cloud-Server 300 kann durch die vom Benutzer betriebene elektronische Vorrichtung 400 erfolgen, und der Benutzer kann eine medizinische Bildanalyse durch den Cloud-Server 300 durchführen, um das Analyseergebnis in Echtzeit zu erhalten.
In dieser Ausführungsform kann der Prozessor 320 des Cloud-Servers 300 das Deep Learning Modul 311 ausführen. Das Deep Learning Modul 311 kann ein FCN (Full Convolutional Network)-Modul umfassen, um durch das FCN-Modul neuronale Netzwerkoperationen an jedem der medizinischen Referenzbilder in den Trainingsdaten durchzuführen, um das künstliche Intelligenz-Modell aufzubauen. Es ist erwähnenswert, dass das FCN-Modul in dieser Ausführungsform beispielsweise einen L-fachen Upsampling-Vorgang des K-fachen Max-Poolings am Ende der ausgeführten neuronalen Netzwerkoperation durchführen kann, wobei K und L positive ganze Zahlen größer als 0 sind.
4 ist ein schematisches Diagramm zur Ausführung eines medizinischen Bildanalysesystems gemäß der Ausführungsform von 3. Unter Bezugnahme auf 3 und 4 kann ein medizinisches Bildanalysesystem 30 dieser Ausführungsform in zwei Phasen betrieben werden, nämlich einer Anfangsphase S401 und einer kontinuierlichen Korrekturphase S402. In der Anfangsphase S401 kann zunächst ein Server-Builder Trainingsdaten TD in den Cloud-Server 300 eingeben, um das Deep Learning Modul 311 durch den Prozessor 320 gemäß den Trainingsdaten TD auszuführen und das künstliche Intelligenz-Modell 312 zu erzeugen. Die Trainingsdaten TD können eine Vielzahl von medizinischen Referenzbildern umfassen. Als nächstes kann der Benutzer Testdaten TI über die Eingabevorrichtung 410 der elektronischen Vorrichtung 400 bereitstellen. Die Testdaten TI sind die medizinischen Bilddaten. Die elektronische Vorrichtung 400 gibt die Testdaten TI über das Kommunikationsmodul 430 in den Cloud-Server 300 ein, um das künstliche Intelligenz-Modell 312 durch den Prozessor 320 gemäß den Testdaten TI auszuführen und entsprechende Testergebnisdaten zu erzeugen. Die Testergebnisdaten sind das Analyseergebnis der medizinischen Bilddaten. Schließlich kann der Prozessor 320 des Cloud-Servers 300 gemäß den Testergebnissen entsprechende Korrekturdaten TO erzeugen. Somit kann der Prozessor 320 das Deep Learning Modul 311 gemäß dem künstliche Intelligenz-Modell 312 und den Korrekturdaten TO erneut ausführen, um ein korrigiertes künstliche Intelligenz-Modell 312' zu erzeugen.
In der kontinuierlichen Korrekturphase S402 kann zunächst der Prozessor 320 des Cloud-Servers 300 das Deep Learning Modul 311 gemäß dem künstliche Intelligenz-Modell 312 und den Korrekturdaten TO erneut ausführen, um das korrigierte künstliche Intelligenz-Modell 312' zu erzeugen. Alternativ kann der Benutzer in einer Ausführungsform dem Cloud-Server 300 durch die Eingabevorrichtung 410 der elektronischen Vorrichtung 400 gleichzeitig weitere Trainingsdaten TD' zur Verfügung stellen. Die anderen Trainingsdaten TD' können ein anderes medizinisches Referenzbild beinhalten. Somit kann der Prozessor 320 des Cloud-Servers 300 das Deep Learning Modul 311 gemäß dem künstliche Intelligenz-Modell 312, den Korrekturdaten TO und den anderen Trainingsdaten TD' erneut ausführen, um das korrigierte künstliche Intelligenz-Modell 312' zu erzeugen. Es wird angemerkt, dass die anderen Trainingsdaten TD' im Vergleich zu den Trainingsdaten TD ein medizinisches Bild sind, das anderen Organtypen entspricht oder einem identischen Organtyp mit anderen Krebssymptomen oder anderen Krebsanzeichen entspricht. Auf diese Weise kann das Deep Learning Modul 311 schnell das künstliche Intelligenz Modell 312' erzeugen, das auf verschiedene Organtypen, verschiedene Krebssymptome oder verschiedene Krebsanzeichen angewendet werden kann, basierend auf dem ursprünglichen künstliche Intelligenz-Modell 312. Des Weiteren, nachdem das Deep Learning Modul 311 das neue künstliche Intelligenz-Modell 312' erzeugt hat, wird das ursprüngliche künstliche Intelligenz-Modell 312 nicht gelöscht. Die künstliche Intelligenz-Modelle 312 und 312' können gleichzeitig auf die medizinische Bildanalyse angewendet werden. Mit anderen Worten, der Cloud-Server 300 dieser Ausführungsform kann effektiv eine große Anzahl von künstliche Intelligenz-Modellen aufbauen, die eingerichtet sind, um die medizinischen Bilder verschiedener Organtypen, verschiedener Krebssymptome oder verschiedener Krebsanzeichen zu analysieren.
Anschließend kann der Benutzer fortfahren, weitere Testdaten TI' über die Eingabevorrichtung 410 der elektronischen Vorrichtung 400 bereitzustellen, und die weiteren Testdaten TI' können weitere medizinische Bilddaten umfassen. Der Prozessor 320 des Cloud-Servers 300 kann das künstliche Intelligenz-Modell 312' gemäß den weiteren Testdaten TI' ausführen und entsprechende weitere Testergebnisdaten erzeugen. Die weiteren Testergebnisdaten sind das Analyseergebnis der anderen medizinischen Bilddaten. Schließlich kann der Prozessor 320 des Cloud-Servers 300 gemäß den Testergebnisdaten entsprechende nächste Korrekturdaten TO' erzeugen. Der Prozessor 320 des Cloud-Servers 300 kann das Deep Learning Modul 311 noch einmal gemäß dem künstliche Intelligenz-Modell 312' und den nächsten Korrekturdaten TO' ausführen, um ein nächstes korrigiertes künstliche Intelligenz-Modell zu erzeugen.
Alternativ kann der Benutzer in einer Ausführungsform dem Cloud-Server 300 durch die Eingabevorrichtung 410 der elektronischen Vorrichtung 400 gleichzeitig weitere Trainingsdaten TD' zur Verfügung stellen. Die weiteren Trainingsdaten TD' können ein weiteres medizinisches Referenzbild umfassen. Somit kann der Prozessor 320 des Cloud-Servers 300 das Deep Learning Modul 311 gemäß dem künstliche Intelligenz-Modell 312, den nächsten Korrekturdaten TO' und den weiteren Trainingsdaten TD' erneut ausführen, um das nächste korrigierte künstliche Intelligenz-Modell zu erzeugen. Das heißt, das medizinische Bildanalysesystem 30 dieser Ausführungsform kann durch adaptives Lernen und kontinuierliche Optimierung effektiv zahlreiche künstliche Intelligenz-Modelle erzeugen, die verschiedenen Organtypen entsprechen oder einem gleichen Organtyp mit unterschiedlichen Krebssymptomen oder unterschiedlichen Krebsanzeichen entsprechen. Darüber hinaus sind diese künstliche Intelligenz-Modelle in der Lage, genaue Analyseergebnisse zu liefern.
Darüber hinaus können die Korrekturdaten TO (oder die Korrekturdaten TO') dieser Ausführungsform verwendet werden, um einen Fehler im künstliche Intelligenz-Modell 312 (oder im korrigierten künstliche Intelligenz-Modell 312') direkt zu korrigieren. Wenn der Prozessor 320 des Cloud-Servers 300 also das künstliche Intelligenz-Modell 312 (oder das korrigierte künstliche Intelligenz-Modell 312') gemäß den Korrekturdaten TO (oder den Korrekturdaten TO') und weiteren Trainingsdaten TD' gleichzeitig korrigiert, ist ein Gewicht der Korrekturdaten TO (oder der Korrekturdaten TO') größer als ein Gewicht der weiteren Trainingsdaten TD'. Das heißt, die Bedeutung der Korrekturdaten TO (oder der Korrekturdaten TO') ist im medizinischen Bildanalysesystem 30 dieser Ausführungsform größer.
5 ist ein Flussdiagramm der Anfangsphase S401 gemäß der Ausführungsform der 4. Unter Bezugnahme auf die 3 bis 5 können die Schritte der 5 auf das medizinische Bildanalysesystem 30 der 3 angewendet werden. Im Schritt 510 kann der Benutzer die Trainingsdaten TD durch die elektronische Vorrichtung 400 in den Cloud-Server 300 eingeben. Im Schritt S520 kann der Prozessor 320 des Cloud-Servers 300 das künstliche Intelligenz-Modell 312 durch das Deep Learning Modul 311 gemäß den Trainingsdaten TD aufbauen. Das heißt, nachdem das künstliche Intelligenz-Modell 312 dieser Ausführungsform aufgebaut ist, kann vom Benutzer über die elektronische Vorrichtung 400 eine Fernverbindung zum Cloud-Server 300 hergestellt werden, um die medizinischen Bilddaten mittels des künstliche Intelligenz-Modells 312 des Cloud-Servers 300 zu analysieren.
6 ist ein Flussdiagramm der kontinuierlichen Korrekturphase S402 gemäß der Ausführungsform von 4. Unter Bezugnahme auf 3, 4 und 6 können die Schritte von 6 auf das medizinische Bildanalysesystem 30 von 3 angewendet und nach Schritt S520 der Ausführungsform von 5 durchgeführt werden. Im Schritt S610 kann der Benutzer die Testdaten TI über die elektronische Vorrichtung 400 in den Cloud-Server 300 eingeben. Im Schritt S620 kann der Prozessor 320 des Cloud-Servers 300 die Testdaten TI durch das künstliche Intelligenz-Modell 312 analysieren, um die Analyseergebnisdaten zu erzeugen und die Korrekturdaten TO gemäß den Analyseergebnisdaten zu erzeugen. Im Schritt S630 kann der Benutzer die weiteren Trainingsdaten TD' und die Korrekturdaten TO in den Cloud-Server 300 eingeben. Im Schritt S640 kann der Prozessor 320 des Cloud-Servers 300 das Deep Learning Modul 311 lesen und ausführen, um das künstliche Intelligenz-Modell 312 durch das Deep Learning Modul 311 entsprechend den weiteren Trainingsdaten TD' und den Korrekturdaten TO zu korrigieren, um das korrigierte künstliche Intelligenz-Modell 312' zu erzeugen. Im Schritt S650 kann der Benutzer die medizinischen Bilddaten (z.B. die Testdaten TI' von 4) über die elektronische Vorrichtung 400 eingeben, und die elektronische Vorrichtung 400 stellt die medizinischen Bilddaten über das Kommunikationsmodul 430 dem Cloud-Server 300 zur Verfügung. Im Schritt S660 kann der Prozessor 320 des Cloud-Servers 300 die medizinischen Bilddaten durch das korrigierte künstliche Intelligenz-Modell 312' analysieren, um die Analyseergebnisdaten zu erzeugen. Im Schritt S670 kann der Prozessor 320 des Cloud-Servers 300 gemäß den Analyseergebnisdaten die nächsten Korrekturdaten TO' erzeugen. In dieser Ausführungsform können die weiteren Trainingsdaten TD' im Vergleich zu den Trainingsdaten TD medizinische Bilder anderer Organtypen oder medizinische Bilder desselben Typs mit anderen Krebssymptomen oder anderen Krebsanzeichen umfassen. Auf diese Weise kann das Deep Learning Modul 311 schnell das künstliche Intelligenz-Modell 312' erzeugen, das auf verschiedene Organtypen, verschiedene Symptome oder verschiedene Anzeichen angewendet werden kann, basierend auf dem ursprünglichen künstliche Intelligenz-Modell 312.
Das heißt, nachdem das künstliche Intelligenz-Modell 312 aufgebaut wurde, kann der Benutzer über die elektronische Vorrichtung 400 eine Fernverbindung zum Cloud-Server 300 herstellen, um die medizinischen Bilddaten durch das künstliche Intelligenz-Modell 312 des Cloud-Servers 300 zu analysieren. Darüber hinaus können die medizinischen Bilddaten vorab erhaltenen korrekte Analyseergebnisinformationen enthalten. Wenn ein Analyseergebnis des künstliche Intelligenz-Modells 312 falsch ist, kann das Deep Learning Modul 311 das künstliche Intelligenz-Modell 312 entsprechend den korrekten Analyseergebnisinformationen korrigieren, um das korrigierte künstliche Intelligenz-Modell 312' zu erzeugen. Durch die Anwendung des medizinischen Bildanalysesystems 30 dieser Ausführungsform kann somit die Situation, in der die nachfolgenden medizinischen Bilder nicht korrekt analysiert werden können, wenn das ursprünglich erstellte künstliche Intelligenz-Modell ein falsches Modell ist, effektiv verhindert werden. Darüber hinaus kann das medizinische Bildanalysesystem 30 in dieser Ausführungsform das künstliche Intelligenz-Modell 312 durch jedes der Analyseergebnisse kontinuierlich korrigieren. Auf diese Weise kann die Genauigkeit der medizinischen Bildanalyse effektiv erhöht werden, und das künstliche Intelligenz-Modell muss nicht neu aufgebaut werden, indem eine große Menge an Trainingsdaten erneut eingegeben wird. Dadurch werden die Rechenressourcen des Cloud-Servers 300 und der elektronischen Vorrichtung 400 effektiv eingespart.
7 ist ein schematisches Diagramm der kontinuierlichen Optimierung, die an einem künstliche Intelligenz-Modell gemäß einer Ausführungsform der Erfindung durchgeführt wird. Unter Bezugnahme auf 3, 4 und 7 kann ein künstliche Intelligenz-Modell AI(d1,o1) beispielsweise das künstliche Intelligenz-Modell 312 in der Anfangsphase S401 von 4 sein. Der Cloud-Server 300 kann zunächst das künstliche Intelligenz-Modell AI(d1,o1) aufbauen, und dann kann der Benutzer kontinuierlich verschiedene medizinische Bilddaten (die Testdaten TI und die Testdaten TI') und die Testergebnisdaten (die Korrekturdaten TO) über die elektronische Vorrichtung 400 in den Cloud-Server 300 eingeben. Auf diese Weise kann der Prozessor 320 des Cloud-Servers 300 ein adaptives Lernen durch Ausführen des Deep Learning Moduls 311 durchführen.
In dieser Ausführungsform, wenn es sich bei den medizinischen Bilddaten beispielsweise um mediale Bilddaten handelt, die einem gleichen Organ mit anderen Symptomen oder Anzeichen entsprechen, kann das Deep Learning Modul 311 zahlreiche künstliche Intelligenz-Modelle AI(d1,o2) bis AI(d1,oN) in Folge erzeugen, die dem gleichen Organ mit anderen Symptomen oder anderen Anzeichen entsprechen. N ist eine positive ganze Zahl größer als 0. In dieser Ausführungsform, wenn es sich bei den medizinischen Bilddaten beispielsweise um medizinische Bilddaten handelt, die verschiedenen Organtypen entsprechen, kann das Deep Learning Modul 311 zahlreiche künstliche Intelligenz-Modelle AI(d2,o1) bis AI(dM,o1) erzeugen, die den verschiedenen Organtypen entsprechen. M ist eine positive ganze Zahl größer als 0. Ähnlich kann das Deep Learning Modul 311 die künstliche Intelligenz-Modelle AI(d1,o2) bis AI(d1,oN) weiter individuell optimieren, um zahlreiche künstliche Intelligenz-Modelle AI(d2,o2) bis AI(dM,oN) zu erzeugen, die verschiedenen Organtypen mit einem identischen Symptom oder einem identischen Anzeichen entsprechen. Mit anderen Worten, der Benutzer kann durch das medizinische Bildanalysesystem 30 dieser Ausführungsform schnell ein benötigtes spezifisches künstliche Intelligenz-Modell erstellen, ohne erneut eine große Menge an Trainingsdaten eingeben zu müssen, um das spezifische künstliche Intelligenz-Modell neu zu erzeugen. Darüber hinaus kann das medizinische Bildanalysesystem 30 dieser Ausführungsform das spezifische künstliche Intelligenz-Modell kontinuierlich optimieren, um ein optimiertes künstliche Intelligenz-Modell zu erzeugen.
8 ist ein Flussdiagramm eines medizinischen Bildanalyseverfahrens gemäß einer Ausführungsform der Erfindung. Das medizinische Bildanalyseverfahren von 8 kann zumindest auf das medizinische Bildanalysesystem 10 von 1 und das medizinische Bildanalysesystem 30 von 3 angewendet werden. Mit Bezug auf 1 und 8 gibt die elektronische Vorrichtung 200 im Schritt S810 die Korrekturdaten in den Cloud-Server 100 ein. Im Schritt S820 korrigiert der Cloud-Server 100 das künstliche Intelligenz-Modell 112 durch das Deep Learning Modul 444 entsprechend den Korrekturdaten, um das korrigierte künstliche Intelligenz-Modell zu erzeugen. Im Schritt S830 gibt die elektronische Vorrichtung 200 die medizinischen Bilddaten in den Cloud-Server 100 ein. Im Schritt S840 analysiert der Cloud-Server 100 die medizinischen Bilddaten durch das korrigierte künstliche Intelligenz-Modell, um die Analyseergebnisdaten zu erzeugen. Mit anderen Worten, in dem medizinischen Bildanalyseverfahren dieser Ausführungsform werden die Korrekturdaten kontinuierlich eingegeben, um das künstliche Intelligenz-Modell 112 wiederholt zu korrigieren, um das optimierte künstliche Intelligenz-Modell zu erzeugen. Daher wird im medizinischen Bildanalysesystem dieser Ausführungsform ein hochgenaues medizinisches Bildanalyseergebnis bereitgestellt.
Darüber hinaus kann der Fachmann in dieser Ausführungsform ausreichende Lehren, Vorschläge und Beschreibungen der Implementierung des medizinischen Bildanalysesystems 10 unter Bezugnahme auf die Ausführungsformen von 1 und 7 erhalten, und Beschreibungen anderer technischer Details und Implementierungen werden im Folgenden nicht weiter ausgeführt.
In Anbetracht des Vorangegangenen kann in dem von der Erfindung vorgesehenen Verfahren und System zur medizinischen Bildanalyse eine große Menge an medizinischen Referenzbildern vorab auf dem entfernten Cloud-Server gespeichert werden, so dass der Benutzer das gewünschte künstliche Intelligenz-Modell selbst erstellen kann. Daher kann die Verbindung zum Cloud-Server vom Benutzer über die Computervorrichtung aufgebaut werden, so dass der Benutzer das Ergebnis der medizinischen Bildanalyse in Echtzeit erhalten kann. Darüber hinaus kann in dem von der Erfindung bereitgestellten Verfahren und System zur medizinischen Bildanalyse eine große Anzahl von künstliche Intelligenz-Modellen, die auf medizinische Bilder verschiedener Organtypen, verschiedener Symptome oder verschiedener Anzeichen angewendet werden können, durch adaptives Lernen und kontinuierliche Optimierung erzeugt werden, und es wird auch das hochgenaue Ergebnis der medizinischen Bildanalyse geliefert. Daher kann das durch die Erfindung bereitgestellte medizinische Bildanalyseverfahren und -system eine praktische und effektive medizinische Bildanalysefunktion bereitstellen.

Claims

Ein medizinisches Bildanalyseverfahren, das maschinelles Lernen anwendet und für ein medizinisches Bildanalysesystem (10, 30) eingerichtet ist, wobei das medizinische Bildanalysesystem (10, 30) einen Cloud-Server (100, 300) und eine elektronische Vorrichtung (200, 400) umfasst, und der Cloud-Server (100, 300) ein Deep Learning Modul (111, 311) und ein künstliche Intelligenz-Modell (112, 312, 312') speichert, wobei das medizinische Bildanalyseverfahren umfasst: Eingeben von Korrekturdaten (TO, TO') in das Deep Learning Modul (111, 311), so dass das Deep Learning Modul (111, 311) das künstliche Intelligenz-Modell (112, 312, 312') gemäß den Korrekturdaten (TO, TO') korrigiert, um ein korrigiertes künstliche Intelligenz-Modell (112, 312, 312') zu erzeugen; und Eingeben von medizinischen Bilddaten in die elektronische Vorrichtung (200, 400), wobei die elektronische Vorrichtung (200, 400) die medizinischen Bilddaten dem Cloud-Server (100, 300) zur Verfügung stellt, um die medizinischen Bilddaten durch das korrigierte künstliche Intelligenz-Modell (112, 312, 312') zu analysieren und Analyseergebnisdaten zu erzeugen.
Das medizinische Bildanalyseverfahren nach Anspruch 1, weiter umfassend: Erzeugen von nächsten Korrekturdaten (TO, TO') gemäß den Analyseergebnisdaten und Eingeben der nächsten Korrekturdaten (TO, TO') in das Deep Learning Modul (111, 311); und Korrigieren des korrigierten künstliche Intelligenz-Modells (112, 312, 312') durch das Deep Learning Modul (111, 311) gemäß den nächsten Korrekturdaten (TO, TO'), um ein nächstes korrigiertes künstliche Intelligenz-Modell (112, 312, 312') zu erzeugen.
Das medizinische Bildanalyseverfahren nach Anspruch 1, weiter umfassend: Eingeben von Trainingsdaten (TD, TD') in das Deep Learning Modul (111, 311), so dass das Deep Learning Modul (111, 311) das künstliche Intelligenz-Modell (112, 312, 312') gemäß den Trainingsdaten (TD, TD') erstellt.
Das medizinische Bildanalyseverfahren nach Anspruch 3, wobei die Trainingsdaten (TD, TD') eine Vielzahl von medizinischen Referenzbildern umfassen, und das Deep Learning Modul (111, 311) ein FCN-Modul umfasst, wobei der Schritt zum Eingeben von Trainingsdaten (TD, TD') in das Deep Learning Modul (111, 311), so dass das Deep Learning Modul (111, 311) das künstliche Intelligenz-Modell (112, 312, 312') gemäß den Trainingsdaten (TD, TD') erstellt, umfasst: Ausführen des FCN-Moduls durch das Deep Learning Modul (111, 311), so dass das FCN-Modul neuronale Netzwerkoperationen an jedem der medizinischen Referenzbilder durchführt, um das künstliche Intelligenz-Modell (112, 312, 312') zu erstellen.
Das medizinische Bildanalyseverfahren nach Anspruch 4, wobei das FCN-Modul einen Upsampling-Vorgang an jedem der medizinischen Referenzbilder durchführt.
Das medizinische Bildanalyseverfahren nach Anspruch 1, weiter umfassend: Eingeben von weiteren medizinischen Bilddaten in die elektronische Vorrichtung (200, 400), wobei die elektronische Vorrichtung (200, 400) die weiteren medizinischen Bilddaten dem Cloud-Server (100, 300) zur Verfügung stellt, um die weiteren medizinischen Bilddaten durch das künstliche Intelligenz-Modell (112, 312, 312') zu analysieren und weitere Analyseergebnisdaten zu erzeugen; und Erzeugen der Korrekturdaten (TO, TO') gemäß den weiteren Analyseergebnisdaten.
Das medizinische Bildanalyseverfahren nach Anspruch 1, wobei der Schritt zum Eingeben von Korrekturdaten (TO, TO') in das Deep Learning Modul (111, 311), so dass das Deep Learning Modul (111, 311) das künstliche Intelligenz-Modell (112, 312, 312') gemäß den Korrekturdaten (TO, TO') korrigiert, um das korrigierte künstliche Intelligenz-Modell (112, 312, 312') zu erzeugen, umfasst: Eingeben von weiteren Trainingsdaten (TD, TD') in das Deep Learning Modul (111, 311), so dass das Deep Learning Modul (111, 311) das künstliche Intelligenz-Modell (112, 312, 312') gemäß den Korrekturdaten (TO, TO') und den weiteren Trainingsdaten (TD, TD') korrigiert, um das korrigierte künstliche Intelligenz-Modell (112, 312, 312') zu erzeugen.
Das medizinische Bildanalyseverfahren nach Anspruch 7, wobei ein Gewicht der Korrekturdaten (TO, TO') größer als ein Gewicht der weiteren Trainingsdaten (TD, TD') ist.
Das medizinische Bildanalyseverfahren nach Anspruch 7, wobei die weiteren Trainingsdaten (TD, TD') weitere medizinische Referenzbilder umfassen.
Ein medizinisches Bildanalysesystem (10, 30), das maschinelles Lernen anwendet, umfassend: einen Cloud-Server (100, 300), der ein Deep Learning Modul (111, 311) und ein künstliche Intelligenz-Modell (112, 312, 312') speichert; und eine elektronische Vorrichtung (200,400), die mit dem Cloud-Server (100, 300) verbunden ist, wobei das Deep Learning Modul (111, 311) das künstliche Intelligenz-Modell (112, 312, 312') gemäß Korrekturdaten (TO, TO') korrigiert, wenn der Cloud-Server (100, 300) die Korrekturdaten (TO, TO') empfängt, um ein korrigiertes künstliche Intelligenz-Modell (112, 312, 312') zu erzeugen, wobei die elektronische Vorrichtung (200,400) dem Cloud-Server (100, 300) medizinische Bilddaten zur Verfügung stellt, wenn die elektronische Vorrichtung (200, 400) die medizinischen Bilddaten empfängt, and das korrigierte künstliche Intelligenz-Modell (112, 312, 312') die medizinischen Bilddaten analysiert, um Analyseergebnisdaten zu erzeugen.