JP2020513615A - 深層学習ニューラルネットワークの分散化された診断ワークフロー訓練 - Google Patents

深層学習ニューラルネットワークの分散化された診断ワークフロー訓練 Download PDF

Info

Publication number
JP2020513615A
JP2020513615A JP2019528455A JP2019528455A JP2020513615A JP 2020513615 A JP2020513615 A JP 2020513615A JP 2019528455 A JP2019528455 A JP 2019528455A JP 2019528455 A JP2019528455 A JP 2019528455A JP 2020513615 A JP2020513615 A JP 2020513615A
Authority
JP
Japan
Prior art keywords
algorithm
neural network
source data
deep neural
workflow
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
Application number
JP2019528455A
Other languages
English (en)
Inventor
マスード，オサマ
シュレック，オリヴァー
Original Assignee
ヴァイタル イメージズ，インコーポレイテッド
ヴァイタル イメージズ，インコーポレイテッド
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ヴァイタル イメージズ，インコーポレイテッド, ヴァイタル イメージズ，インコーポレイテッド filed Critical ヴァイタル イメージズ，インコーポレイテッド
Publication of JP2020513615A publication Critical patent/JP2020513615A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G06N3/105—Shells for specifying net layout
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

分散化された計算デバイス間で行われるユーザインタラクションワークフローアクティビティから深層ニューラルネットワークを訓練する技術がここに開示される。一例では、入力データ（入力された医療イメージングデータなど）の処理が、深層ニューラルネットワークのアルゴリズムの実行によってクライアント計算デバイスにおいて実行される。更新された訓練パラメータのセットは、実行されたアルゴリズムの結果によって行われるユーザインタラクションアクティビティ（グラフィカルユーザインタフェースにおけるユーザ承諾及びユーザ修正など）に基づき深層ニューラルネットワークのアルゴリズムを更新するため生成される。サーバにおける複数の分散クライアントサイトから受信される更新される訓練パラメータの生成及び収集は、以降の処理及び実行のために深層ニューラルネットワークのアルゴリズムを精緻化、向上及び訓練するのに利用可能である。

Description

本出願は、それぞれが参照することによってその全体がここに援用される、２０１６年１１月２３日に出願された米国仮出願番号第６２／４２５，６５６号の優先権の利益を主張する２０１７年２月２７日に出願された米国出願第１５／４４３，５４７号に対する優先権の利益を主張する。
実施例は、情報ネットワーク及びインフォマティクスシステムにより利用されるデータ処理技術及びコンフィギュレーションに関する。更なる実施例は、医療イメージングディスプレイ及びマネージメントワークフローを含む医療診断及び評価設定において利用されるニューラルネットワークの利用及び訓練に関する。
医療プロセスがますますデジタル化されるに従って、大量の患者データが多数のタイプの医療の意思疎通のためにほぼ全ての医療機関において患者に関して生成されている。多くの人工知能及びコンピュータ支援評価アルゴリズムが、自動化された処理を実行し、あるいは、コンピュータにより支援された検出及び予測を生成するアルゴリズムを利用することを含む、これらの医療の意思疎通から患者ベースデータを利用及び評価するよう設計された。例えば、人工知能及びコンピュータ支援アルゴリズムは、医療画像において特定の解剖学的特徴を特定するため、放射線などの分野においてますます利用されている。そのような人工知能及びコンピュータ支援アルゴリズムによる患者データの解析は、医療専門家が医療サービスを提供し、臨床判断を行うことに大きく支援及び指導することができる。
深層学習ニューラルネットワークコンフィギュレーションを含む機械学習の最近の進歩は、患者から収集される大量の医療情報を収集、解析及び利用するための改良されたアプローチを提供してきた。しかしながら、機械学習において利用されるアルゴリズム及びモデルの精度は、基礎となるアルゴリズム及びモデルが訓練された程度にしばしば限定される。機械学習モデルの精度を改良するためのいくつかのアプローチは、精度を向上させるために複数の当事者からの情報の基礎及びアクションのタイプを拡張するため、分散化された学習及び訓練の利用を示唆してきた。しかしながら、このようなアプローチは、しばしばアドホックフィードバックにより実現され、特定タイプのニューラルネットワーク又は利用ケースへの適用可能性を制限してきた。
ここに説明される具体例による医療情報を処理するよう構成される深層学習ニューラルネットワークを利用及び配置するためのシステム構成のブロック図を示す。 ここに説明される具体例による各クライアントサイト及び中央化された訓練サーバの間で実現される深層学習ニューラルネットワークのための分散化されたフィードバック及び訓練処理の概略を示す。 ここに説明される具体例による深層学習ニューラルネットワークのための訓練及び配置処理を示すシステム図を示す。 ここに説明される具体例による深層学習ニューラルネットワークを利用した処理ワークフロー内のデータ収集及び処理を示すシステム図を更に示す。 ここに説明される具体例による分散化されたクライアントに対して深層学習ニューラルネットワークを配置及び更新するための中央化された処理サーバによって実行される方法のフローチャートを示す。 ここに説明される具体例による深層学習ニューラルネットワークのパラメータを更新するための分散化されたクライアントによって実行される方法のフローチャートを示す。 ここに説明される具体例による深層学習ニューラルネットワークの分散化された配置及び訓練に利用されるシステムのブロック図を示す。 ここに説明される具体例による計算又は電子処理を実行するよう構成される機械の具体例を示す。
以下の説明及び図面は、当業者がそれらを実施することを可能にするのに十分に特定の実施例を示す。他の実施例は、構成的、論理的、電気的プロセス及び他の変更を含みうる。いくつかの実施例の一部及び特徴は、他の実施例のものに含まれてもよく、あるいは、置換されてもよい。
本開示は、複数の分散された場所において各ワークフローで行われるユーザアクションを通じて機械学習ネットワークのエンハンスされた訓練を可能にする各種技術及び構成を示す。このようなワークフローは、医療情報処理設定内で医療専門家のユーザによって行われる診断ワークフローを含む。ここに開示される技術及び構成は、医療施設の大規模なネットワーク全体に分散化された資料ユーザのための各自のワークフロー内で行われる相違を含む診断ワークフロー内において適用、修正又は拒絶された機械学習モデルから相違を特定するのに利用されうる。モデルの各種ワークフローの利用から特定される結果としての相違は、機械学習モデルの訓練データとして収集及び処理されてもよく（例えば、強化又は正解データ）、従って、機械学習モデルの将来的なインタラクション及び適用可能性を向上させる。
以下の処理は、より大きな処理ワークフロー（医療画像確認ワークフローなど）の一部としての特定のワークフロータスクのために意図された各種機械学習モデル及びモデルタイプについて訓練データを取得するのに利用可能である。さらに、訓練データ収集処理は、サイトの大規模なネットワークから１つ以上の深層学習ネットワークレイヤのフィードバックため関連する訓練情報の収集を可能にする。このフィードバックは、機密性のある患者データを転送することなく、また、医療専門家により検証された既存のワークフローの利用と抵触することなく取得及び利用可能である。
ここで用いられる“ワークフロー”という用語は、一般にある入力（データなど）に対する出力（結果又は効果など）を生成するため、ヒューマンインタラクティブ又は修正されたアクションを含みうるイベント、アクティビティ、処理ステップ又はアクションの系列又は集まりを表す。多くのワークフローは、診断、評価及び検査設定を含む医療専門家のユーザによって医療データに対して毎日実行される。そのようなワークフローにおいて提供されるユーザインタラクションは、自動化又は検証可能な人間によるアクションに関する貴重な機械学習データ及び情報をキャプチャするための機会を提供する。従って、機械学習の意味では、これらの医療処理ワークフローからのユーザフィードバック情報がキャプチャ及び“学習”可能である。このユーザフィードバック情報は、自動化及び処理アクティビティに対して高い精度を実現可能な機械学習モデル及びアルゴリズムを作成及び改良するのに利用可能である。そのような処理アクティビティは、限定することなく、データにおける特定の情報オブジェクトの検出、データの特性の変更、特定タイプのデータ特性の定量化、データ特性に関する正確な予測の実行、又は他のタイプのデータ処理アクションの実行を含んでもよい。
ここに説明される具体例の一部では、訓練処理は、機械学習アルゴリズムの適用後、分散化された計算システム（及び各自の施設）における各エキスパートによって行われる訂正及びユーザインタラクションを収集する分散ネットワークの構成を介して実現される。これらの訂正及びユーザインタラクションは、中央化されたサーバにおいて深層学習ネットワークの訓練手順に入力されうる。例えば、これらの訂正は、その後、機械学習アルゴリズムの改良されたバージョン（及び以降の配布）のために実行ニューラルネットワークの訓練を導くことができる。この改良されたバージョンは更に、機械学習アルゴリズムのリリースされるバージョンに搭載される前に、使用、評価、テスト及び更に改良されてもよい。
ここで説明される分散訓練アプローチは、訓練用の新たなデータの可用性、訓練データを処理するのに必要とされるハードウェアリソース及び正確な訓練データを提供するのに必要とされる量の人間のアクティビティを含む深層学習ネットワークの従来の訓練アプローチによる複数の困難に対処する。本技術の利用によって、機械学習モデル（及びそれの生成されたアルゴリズム）の精度及び効率性は有意に向上しうる。そのような精度及び効果は、従前の人間のアクティビティの改良された自動化、誤り及び不正確なアクティビティの低減、及びソフトウェア処理と関連する処理及びネットワーキングハードウェアリソースの改良された効果をもたらしうる。さらに、当該技術は、低減された時間での改良された計算結果を可能にする機械学習ネットワークのための従来の訓練アプローチに対する改良を提供する。
図１は、医療情報を処理するよう構成される一例となる人工ニューラルネットワークモデルのための深層学習ニューラルネットワークの利用及び配置のためのシステム構成の概略を示す。具体的には、図１は、ソースデータ１１０（医療イメージングデータなど）を処理するよう適応化された深層学習ニューラルネットワークの利用に関するワークフローを示す。図１のシステム構成は図示のためにハイレベルなコンポーネントに構成され、図示されたコンポーネント及びワークフローアクティビティの個々の特徴は様々な機械、システム及びデバイス間に分離又は統合されてもよいことが理解されるであろう。さらに、以下の具体例において示される処理及び機能の多くは、一体化又は分離されたデバイスサブシステム内の同様の機能によってシミュレート又は複製されてもよい。
図１に示されるように、ソースデータ１１０は、ワークフロー処理による処理のためにクライアントインタラクションコンピュータシステム１１２に提供される。一部の具体例では、このソースデータ１１０は、イメージングモダリティ（Ｘ線マシーン、ＣＴ（Ｃｏｍｐｕｔｅｒ Ｔｏｍｏｇｒａｐｈｙ）スキャナ、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）マシーンなど）から取得された画像データなど、人間の被検者の２又は３次元画像データを含みうる。ソースデータ１１０は、ＰＡＣＳ（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）又は他の画像データ抽出、キャッシュ又はストレージシステムなど、特化した医療イメージングシステムから直接的又は間接的に提供されうる。ソースデータ１１０のフォーマットは、処理ワークフローにおける処理前に医療イメージングシステムによって更に処理又は集約されうるＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ）フォーマットなどの専用又は工業標準フォーマットによるものであってもよい。以下の具体例は医療イメージングデータの処理に言及するが、以下の技術は他のタイプ及び形式のソースデータ１１０により利用されてもよい。
図示されるように、クライアントインタラクションコンピュータシステム１１２は、ソースデータ１１０からの医療画像の特徴を表示及び変更（例えば、拡張、ハイライト、変更、修正、削除、セグメント化など）するのに利用されるデータ可視化１１４の特徴など、ソースデータ１１０に対して一連のワークフロー処理を実行するよう動作する。データ可視化１１４は、グラフィカルユーザインタフェース出力１２４上への医療画像の表示の出力を提供するのに利用されうる。グラフィカルユーザインタフェース出力１２４は、クライアントインタラクションコンピュータシステム１１２に接続されるディスプレイデバイス（例えば、モニタ、スクリーンなど）を介し提供されてもよい。
クライアントインタラクションコンピュータシステム１１２のコンテクストでは、“ワークフロー”は、一般にタスクを実行するために手動（人間に指定された）及び自動化されたアクティビティのある組み合わせによって実行される一連の処理を表す。医療イメージング分野の利用におけるワークフローの一例は、放射線読み取りワークフローであり、そこでは、一連の診断画像（例えば、イメージングモダリティによって生成される）が、医療画像から診断を直接的に生成するため、検査医療専門家（例えば、放射線科医）によって評価される。医療イメージング分野の利用におけるワークフローの他の例は画像検査ワークフローであり、そこでは、キャプチャされた医療画像が、特定の医療条件の状態を観察し、あるいは、診断を画定するため、医療画像の解剖学的特徴のセグメント化、定量化又は予測を実行するなど、臨床医（例えば、専門医、医師又は他の訓練された専門家）によって操作及び評価されうる。ワークフローの他の例は、ソフトウェアアプリケーション又は付随するコンピュータシステムにおける人間のユーザとのやりとりから生じる他のタイプのアクション、フィードバック及びコントロールに関するものであってもよい。本例は医療画像データ処理に関して説明されるが、他の形式の医療データ及び非診断又は非医療アクションに関する同様のワークフローがまた実行されうることが理解されるであろう。さらに、ここで説明される検出、セグメント化、定量化又は予測のための自動化された又はコンピュータにより支援されたワークフロー処理が、医療診断及び非診断（例えば、情報的、教育的、例示的など）設定の双方において適用可能であってもよい。
図示されるように、クライアントインタラクションコンピュータシステム１１２は、深層学習ニューラルネットワークモデル１０８の訓練済みバージョンから生成される処理アルゴリズム１１６を受信する。この深層学習モデル１０８は、訓練処理１０４及び検証処理１０６の利用を通じて中央化されたサーバ１０２（例えば、訓練計算システム）によって生成されてもよい。訓練処理１０４は、初期的な訓練データの大規模セットから生成されるなど、アクション及びパスの検出及び強化に関するものであってもよい。
深層学習モデル１０８から生成される処理アルゴリズム１１６は、検出、セグメント化、定量化、予測、自動化又は検証の特徴を含む、ソースデータ１１０に関する何れかの数の自動化された処理アクティビティを実行してもよい。深層学習モデル１０８は、所望される各タスク、アクティビティ又はワークフローについて特化したアルゴリズムなど、１つ以上のアルゴリズムを生成するのに利用されてもよい。
データ可視化１１４により作用するワークフローアクティビティは、クライアントユーザ（例えば、医療スタッフ）によって実行される情報の入力、確認、修正などのアクティビティを含んでもよい。これは、医療イメージングデータの診断的検査及び評価のために実行される医療エキスパートの読影解釈ワークフローの一部を含んでもよい。従って、モデル処理１１８は、ワークフローがユーザインタラクションから生成されるモデルフィードバック１２８を生成するとき、読影解釈ワークフローの一部について自動化を提供するのに利用されてもよい。後述されるように、このモデルフィードバック１２８は、深層学習モデル１０８について適用される既存及び新規のアルゴリズムの性能を改善するのに利用可能である。
一例では、データ可視化１１４及びグラフィカルユーザインタフェース出力１２４において提供される特徴は、特定の自動化又はコンピュータによりガイドされたタスクを実行するよう設計される処理アルゴリズム１１６の利用を介して直接的に提供される。データ可視化１１４の特徴に関して処理アルゴリズム１１６の適用は、グラフィカルユーザインタフェースの入力１２６（例えば、タッチ、キーボード、マウス、ジェスチャ、音声、ハプティック入力）に応答して、ユーザ入力によって指示される１つ以上のモデル処理１１８を介し実現されてもよい。グラフィカルユーザインタフェースの出力１２４において実行されるモデル処理１１８の異なるタスクは、異なる処理アルゴリズムを利用してもよい。従って、ソースデータ１１０の単一のセットに関する単一のワークフローは、複数の処理アルゴリズム及びモデル処理１１８の適用に関するものであってもよい。モデル処理１１８は、グラフィカルユーザインタフェースの出力１２４において提供された出力に対する変更を行うため、グラフィカルユーザインタフェースの入力１２６を介し取得されるヒューマン入力を通じて制御されうる。
ワークフローは、１つ以上のユーザインタラクション処理の変更１２０及びユーザインタラクション処理の承諾１２２によって影響される図１に更に示される。ユーザインタラクション処理の変更１２０及びユーザインタラクション処理の承諾１２２は、グラフィカルユーザインタフェースの入力１２６により提供される直接的な制御（例えば、ユーザインタフェースの入力）下で提供されうる。ユーザインタラクション処理の変更１２０及びユーザインタラクション処理の承諾１２２は、グラフィカルユーザインタフェースの出力１２４において提供されるデータ可視化１１４及びモデル処理１１８の特性を修正、許可又は拒絶しうる。例えば、ユーザインタラクション処理の変更１２０は、自動化されたアクションの結果を手動により変更しうる（処理アルゴリズム１１６により検出された医療画像の解剖学的輪郭の位置の変更など）。ユーザインタラクション処理の承諾１２２はまた、自動化されたアクションの許可又は拒絶から生じうる。
ユーザインタラクション処理の変更１２０及びユーザインタラクション処理の承諾１２２に応答して、モデルフィードバックのセットが生成されうる。このモデルフィードバック１２８は、処理アルゴリズム１１６の以降のバージョンを生成するのに利用される深層学習モデル１０８の改良を提供するのに利用されうる。モデルフィードバック１２８の各バージョンは、深層学習モデル１０８の複数の特徴及びレイヤの新たな訓練を生成するため、分散化された利用ケースからの多数の計算システムから提供可能である。モデルフィードバック１２８は、他のクライアントコンピュータシステムからの他の分散化されたフィードバック及び処理アルゴリズム１１６の他の実行に関して収集されるとき、以降において訓練処理１０４及び検証処理１０６に入力されうる。従って、深層学習モデル１０８に対するフィードバックの生成は、分散化された繰り返される方法で行われうる。
訓練データの可用性は、新たな訓練データの一般的な不足、患者データを適切に匿名化するのに関するロジスティック、同意及びデータ所有権の問題、及びこのような典型的に大規模なデータセット（例えば、医療画像）を転送するのに必要とされる帯域幅を含む各種理由のため、医療領域においては特に困難である。理想的には、特定の臨床所見について、異なる評価者のグループは、読者間の変動を説明するため、別々の評価及び注釈を実行する。ここに説明される分散化アプローチは、訓練データのサイズを増加し、生成されたアルゴリズムの品質を向上しながら、深層学習モデルの訓練データのニーズに合致させることを目的とする。
本アプローチによると、訓練は、追加的な訓練データが何れかのサイトから利用可能になるとき、１つ以上の深層ネットワークアルゴリズムが継続的に更新されることを可能にするため、オンラインでインタラクティブな方法で行うことができる。従って、訓練処理１０４は、分散化された方法で行うことが可能であり、すなわち、訓練の一部は分散化されたクライアントインタラクションコンピュータシステム１１２において実行され（ユーザインタラクションから特定のモデルフィードバック１２８を生成するため）、訓練の他の部分は複数のクライアントサイトが通信する中央サーバ１０２において実行される。いくつかの具体例では、結果を提供するサイトと中央サーバ１０２との間の通信は、双方向であり、完全に自動化できる。また、いくつかの具体例では、モデルフィードバック１２８により収集される改良は、バックグラウンドで実行され、診断ワークフローに影響を与えないパラレルな比較ワークフローなど、パラレルな比較ワークフロー（図４を参照して更に後述される）の利用を通じて分散化されたサイトで一時的にのみ配置されうる。
図２は、各クライアントサイトと中央訓練サーバとの間で実現される深層学習ニューラルネットワークのための一例となる分散化されたフィードバック及び訓練処理の概略を示す。図示されるように、図２は、カスタマサイト１ ２０２、カスタマサイト２ ２０４及びカスタマサイトＮ ２０６を含む各クライアントサイトに配置されるワークフローにおける訓練アクティビティの利用を示す。カスタマサイト２０２，２０４，２０６のそれぞれは、ワークフロー１アクティビティ２１２、ワークフロー２アクティビティ２１４及びワークフローＮアクティビティ２１６を含むそれぞれのワークフローアクティビティを実行する。すでに説明されたように、このようなワークフローアクティビティ２１２、２１４、２１６は、ヒューマンインタラクティブな処理を含む、画像データに関するデータ可視化又は処理を含んでもよい。
深層学習シナリオでは、訓練処理の目的は、モデルが訓練データにどのように同意するかに基づき、より適切なパラメータによりモデルを更新することである。図２に示されるように、中央システムは、各自の処理アルゴリズムの実行において利用されるモデルパラメータを維持するパラメータサーバ２３２を動作させてもよく、中央システムはまた、モデル複製を運営し、訓練を実行し、モデル変更に対する結果としてのパラメータ調整を決定する１つ以上の訓練処理サーバ２３４と連携するか、あるいは一緒に動作してもよい。各カスタマサイト２０２、２０４、２０６において実行されるワークフローアクティビティ２１２、２１４、２１６のそれぞれは、パラメータサーバ２３２から各カスタマサイトにおいて通信及び配置される深層学習モデルの特定のパラメータセットに基づき実行される。例えば、カスタマサイト１ ２０２に通信される深層学習モデルのパラメータが、パラメータｐｔ２２４と共に示される。（アルゴリズム又はアルゴリズムのバージョンに特有の他のパラメータが同様に、他のカスタマサイトに配置される。）
図３及び４に関して後述されるように、ワークフローアクティビティにおいて実際に利用されるパラメータと分散化されたクライアントサイトに提供されるパラメータとの間の差分は、Δｐとして表され、各クライアントサイトにおいて計算され、モデルの訓練のために追跡されてもよい。図示されるように、カスタマサイトにおいて実行されるワークフロー１アクティビティ２１２のΔｐ ２２２が計算され、パラメータサーバ２３２に返される。以降において、パラメータサーバ２３２がモデルについて提供する以降のパラメータｐｔ＋１は、ｐｔとΔｐとの組み合わせに基づき生成可能である（すなわち、ユーザインタラクションによって修正又は許可されたワークフロー１アクティビティ２１２に基づきｐｔ ２２４パラメータに対する変更を反映する）。図示しないが、他のカスタマサイト（２０４、２０６）において他のワークフローアクティビティ（２１４、２１６）から提供される他のパラメータの差分（Δ）及びフィードバックがまた、ｐｔ＋１の以降のパラメータを更新するのに利用されうる。
一例では、パラメータサーバ２３２は、分散化されたサイトから受信したデルタによって、又はそれに基づき現在のモデルパラメータ（例えば、ウェイト）を更新し、これによって、モデルの新たなバージョンを作成する。デルタは順次適用されてもよく、これにより、全ての時点で１つの動作モデルバージョンしか存在しない。更なる例では、更新値が期限切れした場合（例えば、デルタが十分以前のバージョンのモデルを適用したサイトから到来したものである場合）、あるいは、更新値が誤っていそうな場合（例えば、デルタがモデルにテストデータセットに対して顕著により不良に実行させる場合）、１つ以上のデルタの更新が意図的に無視されてもよい。
分散化されたワークフローサイトからのパラメータの通信は、変更及び強化のイージー・ツー・プロセスな通知をモデルアルゴリズムに提供できる。これは、データが実際に提示、利用、変更及び受理される場所における人間のワークフローアクションからモデルが訓練及び適応化されることを可能にする。この構成は更に、可視的でないが、臨床処理タスク及びアクティビティの不可欠な部分であって、分散化された方法で学習を実現するよう実行されているとき、臨床ワークフローアクティビティを利用する。
パラメータ及びパラメータの差分の利用の１つの重要な利点は、それが分散化されたサイトにおいて処理される機密データのリバースエンジニアリングを防ぐことができるということである。従って、ワークフローの訓練データは、ワークフローから生成される臨床所見又は患者データのコンテンツを特定することができなくても生成できる。これは、個人的に特定可能な情報（例えば、法的に保護される個人健康情報）を含みうるデータを記録する準備に対して有意な利点を提供する。
従って、本技術は、訓練処理を加速するために複数のクライアント間で訓練アクションをスケーリングするための大規模な分散化された訓練の実現を提供する。これはまた、各処理サイトが自らのデータ及びエキスパートを有しているため、自然に分散しているエキスパート及びワークフローアクションからのフィードバックの収集を可能にする。データ収集及び再訓練の従来のアルゴリズムの開発処理と比較して、分散化されたモデルフィードバック及び訓練手順は、多数のワークフローアクティビティ及びワークフロー位置に対してはるかによりスケーラブルである。
本技術はまた、既存の訓練技術に対して有意な効果を提供する。本分散訓練技術には、結果として得られるアルゴリズムのより高い精度に変換可能な有意により多くの訓練データサイズへのアクセスが提供される。さらに、処理の分散化の性質は、計算及びデータ抽出のための複雑なマルチプロセッサプラットフォーム（又は、既存のニューラルネットワーク構成によって必要とされうる先進的なコンピュータアーキテクチャの利用）を必要とすることなく、個々の離散的なアクションが実行されることを可能にする。
図３は、ここに説明される具体例による深層学習ニューラルネットワークの訓練及び配置処理を示すシステム図を示す。上述したような同様の方法で、図３は、機械学習モデルによって生成されるアルゴリズム３１２Ａ、３１２Ｂ、３１２Ｃの利用によるソースデータ（例えば、イメージングデータ）の処理を実行する各カスタマサイト３０２、３０４、３０６を含む。各カスタマサイト３０２、３０４、３０６は、バージョン調整されたアルゴリズムウェイト３２２のセットを利用するアルゴリズム３１２Ａ、３１２Ｂ、３１２Ｃの共通のバージョン（バージョンＮ）を含むよう示される。
図３の構成は、カスタマサイト３０２、３０４、３０６の各ユーザが通常のワークフローアクティビティを実行するときでさえ、アルゴリズムが継続的な訓練を実行することを可能にするよう設計される。ユーザが自動生成された結果の訂正又は（アルゴリズムの処理に関連する）結果の手動作成などのタスクを実行する際は常に、訓練機会が出現する。この解析は、ユーザの主要なワークフローに影響を与えることなく、副次的な（パラレルな）評価ワークフローにおいてユーザのシステムに対してバックグラウンドで実行可能である。解析の出力は、ワークフロー処理からの変更又は差分を反映するデルタ（例えば、２つのアルゴリズムパラメータセットの間の差分又は比較結果）及び他の形式のワークフローデータであってもよい。二重のワークフローを利用して各クライアントサイトにおいて行われる処理が、図４を参照して以下でより詳細に説明される。
一例では、分散訓練処理の出力は、各自のデルタ及びワークフローデータ３１４Ａ、３１４Ｂ、３１４Ｃから決定されるような１つ以上のニューラルネットワークウェイト調整を含む。そのような調整（デルタ）は、中央パラメータサーバ（中央サーバ３２０として図３において示される）に提供され、モデルのためのバックプロパゲーション訓練技術により訓練処理３２４において処理されるワークフローデータによって実現されうる。デルタ及びワークフローデータが各分散クライアントから中央サーバ３２０によって受信されると、ニューラルネットワークのウェイト調整が決定され、訓練処理３２４によって訓練されるモデルに適用されてもよい。新たなバージョンのアルゴリズムウェイト３２６（ウェイトＮ＋１）を含む訓練処理３２４から生成される更新されたモデルが、その後、自動的に又は以降の更新配置の結果として分散サイトにブロードキャスト可能である。
一部の具体例では、アルゴリズムの既存のバージョンが新たなウェイトセットによって更新されてもよく、その後、この新たなウェイトセットが更なる利用及びテストのために各クライアントに配布されてもよい。他の例では、全く新しいアルゴリズム（例えば、異なる処理アクションに対する新たなニューラルネットワーク処理ノードによって）が生成され、各クライアントに配布可能である。何れの場合も、更新されたアルゴリズムのウェイト又は更新されたモデルアルゴリズムの利用は、製品リリースサーバ３３０によって実行される製品リリース評価３３２において更に更新、テスト及び観察されてもよい。製品リリース評価３３２の結果は、訓練処理３２４からの１つ以上のバージョンの改良を含むリリースされた検証済みバージョンのアルゴリズム３３４であってもよい。さらに、訓練処理３２４の結果は、ワークフロー評価データ３２８において特定された条件がアルゴリズム３３４のリリースされたバージョンによって適切に処理されることを検証するためなど、製品リリースサーバ３３０によって評価及びテストされるワークフロー評価データ３２８を生成するのに利用されてもよい。
フィードバックパラメータが訓練処理３２４のために各クライアントサイトから中央サーバに通信される頻度は、直近の転送からの時間間隔、完了した関連するワークフロー数、システム負荷、日時などの複数の要因に依存して自動化されてもよい。これらの調整が中央サーバ３２０によって受信されるとき、それらは訓練されるモデルに自動的に適用されてもよい。一例では、モデルに対する変更又は更新されたモデルは、その後、更なる利用、テスト及び精緻化のため自動的にサイトにブロードキャストされる。自動更新されたモデルのブロードキャスト頻度はまた、複数の要因に依存しうる。同様に、モデルの更新されたウェイト又は更新されたアルゴリズムは、自動化された、スケジューリングされた又はオンデマンドベースで分散化されたサイトに通信されてもよい。
図４は更に、深層学習ニューラルネットワークを利用した一例となる処理ワークフロー内のデータ収集及び処理を示すシステム図を示す。図示されるように、図４は、ユーザインタラクションワークフロー４２０（例えば、臨床画像評価ワークフロー）内で入力データ４１２及び任意的なユーザ入力４１４を処理するよう構成される特定の分散クライアントサイト４１０の特徴を含む。入力データ４１２は実現すべき特定のワークフロー処理に依存して他のワークフロー及びアルゴリズムによって解析されてもよいことが理解されるであろう。
図示されるように、アルゴリズム４２２のリリースされたバージョンであるバージョンＮは、自動化されたワークフローアクションを実行するため、ユーザインタラクションワークフロー４２０の入力（データ４１２及びユーザ入力４１４）に対して任意的に利用されうる。自動化された処理アクションがアルゴリズム４２２によって実行される例では、パラレルアルゴリズムワークフロー４３０はまた、アルゴリズムの代わりのバージョン（例えば、より新しい又は実験的なバージョン）を利用して、アルゴリズムの訓練データを収集及び決定するよう動作可能である。ユーザインタラクションワークフロー４２０の実行中、パラレルアルゴリズムワークフロー４３０には、ユーザインタラクションワークフロー４２０のために利用されたアルゴリズムのリリースされたバージョンと同じ入力（入力データ４１２及びユーザ入力４１４）が提示されてもよい。
他の例では、ユーザインタラクションワークフロー４２０は、手動のワークフローアクションを自動化するためアルゴリズムを訓練するのに観察及び利用される一連の手動の処理アクションに関する手動のワークフローであってもよい。例えば、人間のユーザが結腸ポリープを特定することを可能にする医療イメージング可視化アプリケーションは、人間のユーザが画像において特定される各ポリープを識別（例えば、クリックオン）するシナリオなどにおける手動のユーザ入力に関するものであってもよく、そのような識別情報は医療画像データからポリープの位置を自動的に特定するよう深層学習ネットワークを訓練するのに利用可能である。
ユーザインタラクションワークフロー４２０の処理（例えば、手動又は自動化された処理）は、任意的なユーザ修正又は評価処理４２４及び処理４２６（及び何れかの修正）のユーザ承諾に続く。ユーザ承諾及び何れかのユーザ修正は、その後、ユーザインタラクションワークフロー結果４２８に生成される。例えば、ユーザが承諾ジェスチャ（例えば、ＯＫをクリックしたり、エビデンスをエクスポートしたり、あるいは、レポートを生成するなどをすると、ユーザインタラクションワークフロー結果４２８が正解として扱われる。
同時的に、アルゴリズム４３２の交代のバージョンがパラレルアルゴリズムワークフロー４３０において動作する。そして、入力データ４１２に対する交代バージョンのアルゴリズムの処理が、パラレルワークフロー結果４３４を生成する。このパラレルワークフロー結果４３４は、その後、ユーザインタラクションワークフロー結果４２８とパラレルワークフロー結果４３４との間の比較された差分４３６に生成される。パラレルアルゴリズムワークフロー４３０は更に、パラメータサーバ４５０から受信したモデルデータ４５２（例えば、アルゴリズムウェイト及び他のパラメータ）と、ユーザインタラクションワークフロー４２０（例えば、ユーザインタラクションワークフロー結果４２８）から決定された比較された差分４３６との間の差分を決定するため、モデルデルタ計算４３８を生成するよう動作する。モデルデルタ計算４３８及び関連するワークフローデータ４４０によって決定されるパラメータ差分（デルタ）が、その後に生成され、パラメータサーバ４６０に送信される際、モデル変更データ４６２として通信される。
訓練を導出する損失関数（例えば、モデルデルタ計算４３８）は、訓練されるアルゴリズムによって取得されるユーザインタラクションワークフロー結果４２８に依存する。例えば、パラメータサーバ４６０に送信されるデータは、標準的なバックプロパゲーション最適化器によって取得されるモデルウェイト調整を含んでもよい。そのようなモデルウェイト調整及び他の選択的なワークフローメトリックが、中央パラメータサーバ４６０に返されるモデル変更データ４６２において通信されてもよい。データ拡張技術がまた、訓練されるアルゴリズムへのパラメータ化されたランダムな変換を実行した後、入力データを提供し、同じ変換を正解に適用することによって、この段階で利用可能である。
特定の画像処理例では、深層学習ネットワークセグメント化アルゴリズムの結果は、当該ピクセルがセグメント化の一部である確率を示す各ピクセル（又はボクセル）の確率値を提供しうる。ユーザにより編集及び受理された結果（例えば、ユーザインタラクションワークフロー結果４２８からの正解）は、それがセグメント化の外部又は内部であるか否かを示す各ピクセルの２値割り当て（すなわち、０又は１の確率）を提供してもよい。典型的なバックプロパゲーション技術を利用して、標準的な損失関数（交差エントロピー誤差など）が、同じ入力が与えられると、正解により近いピクセル確率をモデルに生成させるモデルウェイトの必要とされる変化を計算するのに利用可能である。これを実現するため、バックプロパゲーションアルゴリズムは、損失関数、フルモデルアーキテクチャ、モデルウェイト及び学習率などの他のパラメータを利用して、変化を決定及び生成してもよい。
一例では、パラメータサーバは、モデル変更データ４６２において提供されるデルタ及びワークフローデータに応答して、オンデマンドに更新されたバージョンのアルゴリズム（例えば、アルゴリズム４３２の新たな交代のバージョン）を生成する。その後、パラメータサーバは、即時に又はある更新スケジュール又は基準に従って、更新されたバージョンのアルゴリズム（又はアルゴリズムパラメータ）を分散クライアントに送信する。しかしながら、ユーザインタラクションワークフロー４２０における実行用に利用されるアルゴリズムの“リリースバージョン”は、臨床ユーザ（分散フィードバック処理に関係するユーザ及び関係しないユーザを含む）への配布などのため、ソフトウェアリリーススケジュールで配布されることが意図される。他方、訓練サイクルを経たアルゴリズムの“非リリース”バージョンは、パラレルアルゴリズムワークフロー４３０において単に実行可能であり、臨床的には利用されない。例えば、非リリースバージョンは、１日に数回更新されてもよく、リリースバージョンは、数ヶ月に１回更新されてもよい。
従って、図４に示されるように、訓練アクティビティがリリースされた臨床ワークフロー（例えば、ユーザインタラクションワークフロー４２０）に可視的でなく、影響を与えないときでさえ、副次的な訓練ワークフロー（例えば、パラレルアルゴリズムワークフロー４３０）において実行されてもよい。アルゴリズムの訓練の進捗及び結果のモニタリングは、複数の可能な指標によって何れか所望の頻度で行うことができる。そのような１つの指標は、訓練処理中に使用されなかったテストデータに関する性能である。モデルが実際の具体例及び品質正解に対して継続的に訓練されている場合、モデルはテストデータに対して徐々により良好に実行することが予想される。そのようなテストデータはまた、経時的にサイズが増加しうる。他の指標は、分散サイトから収集されうるワークフローメトリックである。ワークフローメトリックの測定は、例えば、タスクを実現するためのクリック数又はユーザがそれを実現するのに費やす時間などの多くの形式をとりうる。そのようなメトリックはまた、アルゴリズムが改良されている場合、改良することが期待される。しかしながら、ユーザワークフロー（例えば、ユーザインタラクションワークフロー４２０）は訓練されるアルゴリズムによって影響を受けないため、これらのメトリックは、遅延指標であってもよく、アルファテスト中に利用可能である。
実際のワークフローの利用（例えば、ユーザインタラクションワークフロー４２０又は他の臨床ワークフローにおいて）のためにアルゴリズムをリリースする決定は、リリース処理と共に測定された進捗に依存する。アルゴリズムがリリースされると、それは、ワークフローが実行されるとき、分散ユーザによって利用されるモデルになる。ユーザに影響を与えないパラレルワークフローでは、アルゴリズムは依然として、以降のリリースを対象とする更なる他の改良のため、上述した訓練処理を行うことが可能である。
図５は、分散クライアントに深層学習ニューラルネットワークを配置及び更新するため中央処理サーバによって実行される一例となる方法のフローチャート５００を示す。図示されるように、フローチャート５００は、分散クライアントワークフローにおいて利用される深層ニューラルネットワークの配置のための訓練を実行するための順次処理のセットを示す（例えば、医療データを処理するため）。図５に示されるアクティビティの概要が説明のために提供され、多数のより詳細なアクティビティ（他の順序又はシーケンスにおいて提供されるアクティビティを含む）がサーバ又は各クライアントにおける処理により行われうることが理解されるであろう。
フローチャート５００は、画像データのモデルの生成及びグラフィカルユーザインタフェースにおける可視化処理など、自動化された処理アクション（処理５０２）を実行するための深層ニューラルネットワークモデルの生成を初期的に示す。深層ニューラルネットワークモデル及び何れか付随するソフトウェアバイナリ、アルゴリズム及びパラメータが、各医療施設における計算システムなどの各分散クライアントに配置される（処理５０４）。これは、分散クライアントにおける各自のワークフロー内に配置された深層ニューラルネットワークモデルの配置されたバージョンを利用するソースデータの処理に続く（クライアント側アクションとして示される処理５０６）。分散クライアントでは、処理アクションの１つ以上の修正及び受理が、各ワークフローにおけるユーザインタラクションから行われる（クライアント側アクションとして示される処理５０８）。この処理は、図３及び４を参照して上述された処理及び図６を参照して後述されるフローチャート６００の実現を含むものであってもよい。
フローチャート５００は更に、フィードバック及び訓練データを容易にするため中央サーバにおける処理を示す。これらの処理は、各ワークフローにおけるユーザインタラクションの受理（処理５１０）及び各ワークフローにおけるユーザインタラクションの修正（処理５１２）を示す、分散クライアントからの処理アクションの１つ以上の通知の受信を含むものであってもよい。図２を参照して上述されたように、当該情報は、各クライアントにおける訓練データにおいて観察されたパラメータ差分の形式で中央サーバに通信されてもよい。
各クライアントから受信される通知及び訓練データは、ニューラルネットワークモデルのアルゴリズムにおける実行又はニューラルネットワークモデルの新たな又は更新されたアルゴリズムの適応化のための更新されたパラメータを含む、更新された深層ニューラルネットワークモデルの特徴を生成するのに利用されてもよい（処理５１４）。これは、分散クライアントへの深層ニューラルネットワークモデルの更新されたバージョンの配置に続いてもよい（処理５１６）。更なる例では、追加的なテスト及び検証処理が、深層ニューラルネットワークモデルの更新されたバージョンの設定に対して実行されてもよい（処理５１８）。例えば、更新された深層ニューラルネットワークモデルから生成されるアルゴリズムのセットを含むソフトウェアリリースは、分散及び非分散ソフトウェアユーザに検証された臨床リリースとして提供されてもよい。
図６は、深層学習ニューラルネットワークのパラメータを更新するため分散クライアントによって実行される一例となる方法のフローチャートを示す。このフローチャート６００は、モデルデータを生成するのに利用される処理のハイレベルな表示を提供するが、追加的な処理（図３及び４に示される処理及びフローチャート５００からの処理の統合を含む）が図示されたフローに任意的に実現されうることが理解されるであろう。
例えば、フローチャート６００において示される処理は、深層ニューラルネットワークのモデルのパラメータの受信（処理６０２）と、深層ニューラルネットワークによる処理のためのデータの受信（処理６０４）とを含む。処理のためのデータの受信は、深層ニューラルネットワークの実現のためのパラメータ（例えば、アルゴリズム設定）の受信前、同時又は後に行われてもよい。例えば、医療イメージング可視化ソフトウェアアプリケーションにおけるワークフローのコンテクストにおいて、深層ニューラルネットワークのモデル（及びアルゴリズム）は、深層ニューラルネットワークの事前訓練を反映するアルゴリズムを利用して、医療画像の特性を受信、処理及び解析する分散クライアントの閲覧機械に実行可能コード又はコンパイルされたバイナリとして配置されてもよい。
フローチャート６００に更に示されるように、データ（例えば、画像データ）が深層ニューラルネットワークのモデルにより処理される（処理６０６）。この処理は、深層ニューラルネットワークのモデルによって生成されるアルゴリズムの処理アクションに対する受理、変更又は拒絶に対応するソフトウェア処理から提供されてもよい（処理６０８）。（このような処理は、アルゴリズムのリリースされたバージョンにより行われる図４に示されるユーザインタラクションワークフロー４２０及びアルゴリズムの複製の訓練済みバージョンにより行われるパラレルアルゴリズムワークフロー４３０など、双対ワークフローにおいて行われてもよい。）
一部の具体例では、グラフィカルユーザインタフェースにおいて生成される出力とのユーザインタラクションは、任意的には、医療イメージング可視化特性に適用される自動化された効果に対する手動の変更によって行われるなど、受信されて入力データに適用されるユーザ修正を任意的に含むものであってもよい（処理６１０）。他の例では、そのような修正は任意的であり、受信又は考慮されない。何れかの潜在的なユーザ変更が、グラフィカルユーザインタフェースの出力における自動化された処理アクションの効果の受理（又は拒絶）、あるいは、自動化された処理アクションのユーザ受理に続く（処理６１２）。
ユーザ受理（及び任意的には修正）操作に基づき、分散計算システムは、深層ニューラルネットワークの予想される処理アクションとユーザ受理及び修正アクティビティとの比較を実行してもよい。これは、深層ニューラルネットワークモデルの１つ以上のレイヤの間で処理アクションからの出力を変更するのに利用される手動のユーザ変更を特定すること、深層ニューラルネットワークモデルの特性を強化又は強調抑制するのに利用される処理アクションのユーザ受理又は拒絶を特定すること、ワークフローにおけるユーザインタラクションにより実行される新たな又は変更されるアクティビティの自動化を特定すること、及びワークフローアクティビティからユーザインタラクション（加算、変更、減算、検証、確認を含む）ユーザインタラクションの他の測定される特性を特定することを含んでもよい。これらの変更は、分散計算システムによって生成されるモデルの更新されたパラメータセットにおいて反映される（処理６１４）。最終的に、これら更新されたパラメータは、分散計算システムから、深層ニューラルネットワークの更新されたモデルの訓練のため、中央サーバなどの中央位置に通信される（処理６１６）。
図７は、ここに説明される具体例による画像処理目的のための深層学習ニューラルネットワークの分散配置及び分散訓練に利用されるシステム７００におけるコンポーネントのブロック図を示す。例えば、システムは、ここに説明される技術を利用して、リリースされた（例えば、臨床）ワークフロー及びニューラルネットワークモデル訓練（例えば、パラレルテスト）ワークフローを実現するよう構成されるクライアント計算システム７０２（分散システム）、ここに説明される技術を利用して、深層学習モデル及び関連する深層学習アルゴリズムを訓練、更新及び配布するよう構成されるサーバ計算システム７３０（中央システム）、及びここに説明される技術を利用して、モデルがクライアント計算システム７０２から更新されるとき、深層学習モデルの検証及び訓練アクションを実行するよう構成される検証計算システム７４０を含んでもよい。以下の具体例は、具体的には、人工ニューラルネットワーク（及び具体的には、深層学習モデル）の利用によるクライアント側ワークフローにおける画像処理機能をサポートするため、クライアント計算システム７０２及びサーバ計算システム７３０の構成を網羅し、ここに説明される構成は他のタイプのワークフロー、データ処理及び機械学習モデルに適用可能であることが理解されるであろう。
クライアント計算システム７０２は、ニューラルネットワークアルゴリズムを実現及び実行するニューラルネットワークモデル処理７０４、ニューラルネットワークアルゴリズムの各バージョンによってユーザインタラクションワークフロー及びパラレルアルゴリズムワークフローを実行するワークフロー処理７０６、ニューラルネットワークアルゴリズムの出力に対して実行されるユーザ修正アクションを受信及び特定するユーザ修正処理コンポーネント７０８、及びニューラルネットワークアルゴリズムの出力に対して実行されるユーザ受理アクションを受信及び特定するユーザ受理処理コンポーネント７１０を介して画像処理ワークフローを実現するコンポーネント（例えば、プログラム又は具体的に構成された回路）を含んでもよい。
クライアント計算システム７０２は更に、１つ以上の医療画像における人間の解剖学的特徴に対する可視化及び修正アクションなどのため、グラフィカルユーザインタフェースにおいて１つ以上の画像可視化又は修正アクションを実行する画像処理コンポーネント７１２を含んでもよい。画像処理コンポーネント７１２は、具体的には、検出処理７１４（例えば、医療画像において人間の解剖学的特徴、構造又は特性を検出するため）、セグメント化処理７１６（例えば、医療画像において人間の解剖学的特徴、構造又は特性をセグメント化するため）、定量化処理７１８（例えば、医療画像において人間の解剖学的特徴、構造又は特性の測定、アセスメント又は評価を実行するため）、及び予測処理７２０（例えば、医療画像において人間の解剖学的特徴、構造又は特性の推定又は予測を実行するため）などの機能を実現してもよい。クライアント計算システム７０２は更に、処理回路７２８、グラフィカルユーザインタフェース７２２、出力デバイス（例えば、グラフィカルユーザインタフェースの出力を提供するため）、及び入力デバイス７２６（例えば、グラフィカルユーザインタフェース７２２におけるユーザワークフローアクティビティの入力を提供するため）など、ユーザ入力、出力及び処理のための電子コンポーネントを含んでもよい。更なる例では、グラフィカルユーザインタフェース７２２、出力デバイス７２４及び入力デバイス７２６は、ここに説明される技術を利用して、ワークフローの特徴を実現するための処理回路７２８の利用によって、ニューラルネットワークモデル処理７０４の画像処理コンポーネント７１４、７１６、７１８、７２０又は他の特徴に携わるのに利用される。
サーバ計算システム７３０は、モデル生成処理７３２及びクライアントパラメータ処理７３４を含んでもよい。一例では、モデル生成処理７３２は、ニューラルネットワークモデルのテストバージョンの配布のための更新されたモデル及びアルゴリズムを生成するよう構成され、クライアントパラメータ処理７３４は、更新されたクライアントパラメータ（例えば、ニューラルネットワークモデルのテストバージョンのためのプログラミング値及びウェイトを示すパラメータ）を受信及び配布するよう構成される。検証計算システム７４０は、ニューラルネットワークモデルアルゴリズムのリリース、テスト及び検証バージョンのための臨床ワークフローを処理するための更新されたモデル及びアルゴリズムの生成などのため、モデルテスト７４２及びワークフロー検証７４４の機能を含んでもよい。他の例では、検証計算システム７４０のモデルテスト７４２及びワークフロー検証７４４の特徴は、サーバ計算システム７３０の特徴又は他の中央処理コンポーネントと一体化又は組み合わされてもよい。
図８は、ここに説明される方法の何れか１つ以上が実行されうる一例となる計算システム機械を示すブロック図である。コンピュータシステム８００は、中央サーバ１０２、クライアントインタラクションコンピュータシステム１１２、パラメータサーバ１０２、訓練処理サーバ２３４、クライアント計算システム７０２、サーバ計算システム７３０、検証計算システム７４０のコンポーネントを含む、各種図面において示されるコンポーネントの処理を提供する計算デバイスとして、あるいは、フローチャート５００、６００又はここに説明又は言及された他の何れかの処理、格納又は計算プラットフォーム若しくはコンポーネントにおける処理のための実行プラットフォームとして具現化されてもよい。他の実施例では、機械はスタンドアローンデバイスとして動作するか、あるいは、他の機械に接続（例えば、ネットワーク化）されてもよい。ネットワーク化された配置では、機械は、サーバ・クライアントネットワーク環境におけるサーバ又はクライアントの何れかの機械のキャパシティで動作するか、あるいは、それはピア・ツー・ピア（又は分散）ネットワーク環境におけるピア機械として動作しうる。コンピュータシステム機械は、形態であってもよいし、又はなくてもよいパーソナルコンピュータ（例えば、ノートブック又はネットブック）、タブレット、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、携帯電話若しくはスマートフォン、シンクライアント、ウェブ機器、バーチャルマシーンホスト、又は当該機械によって行われるアクションを指定する命令（順次的又はそれ以外）を実行可能な何れかの機械であってもよい。さらに、１つの機械しか示されていないが、“機械”という用語はまた、ここに説明される方法の何れか１つ以上を実行するための（複数の）命令セットを個別又は結合して実行する機械の何れかの集まりを含むととられるであろう。
一例となるコンピュータシステム８００は、インターコネクト８０８（例えば、リンク、バスなど）を介し互いに通信する、プロセッサ８０２（例えば、中央処理ユニット（ＣＰＵ）、グラフィクス処理ユニット（ＧＰＵ）又は双方）、メインメモリ８０４及びスタティックメモリ８０６を含む。コンピュータシステム８００は更に、ビデオディスプレイユニット８１０、英数字入力デバイス８１２（例えば、キーボード）及びユーザインタフェース（ＵＩ）ナビゲーションデバイス８１４（例えば、マウス）を含んでもよい。一例では、ビデオディスプレイユニット８１０、入力デバイス８１２及びＵＩナビゲーションデバイス８１４は、タッチスクリーンディスプレイである。コンピュータシステム８００は更に、ストレージデバイス８１６（例えば、ドライブユニット）、信号生成デバイス８１８（例えば、スピーカ）、信号収集デバイス８３２及びネットワークインタフェースデバイス８２０（１つ以上のアンテナ８３０、送受信機又は他の無線通信ハードウェアを含んでもよいし、あるいは、動作通信してもよい）及び１つ以上のセンサ８２６を含んでもよい。
ストレージデバイス８１６は、ここに説明される方法又は機能の何れか１つ以上によって具現化又は利用されるデータ構造及び命令８２４（例えば、ソフトウェア）の１つ以上のセットが格納される機械可読媒体８２２を含む。命令８２４はまた、機械可読媒体を構成するメインメモリ８０４、スタティックメモリ８０６及びプロセッサ８０２を備えたコンピュータシステム８００による実行中、メインメモリ８０４、スタティックメモリ８０６及び／又はプロセッサ８０２内に完全に又は少なくとも部分的にあってもよい。
機械可読媒体８２２は一例では単一の媒体であると示されているが、“機械可読媒体”という用語は、１つ以上の命令８２４を格納する１つ以上の媒体（例えば、中央又は分散データベース及び／又は関連するキャッシュ及びサーバ）を含んでもよい。“機械可読媒体”という用語はまた、機械による実行用の命令を格納、符号化又は担持可能であって、本開示の方法の何れか１つ以上を実行させる、あるいは、当該機械に当該命令によって利用される又は関連するデータ構造を格納、符号化又は担持可能な何れか有形な媒体を含むとされる。“機械可読媒体”という用語は、従って、限定することなく、ソリッドステートメモリ、光学媒体及び磁気媒体を含むとされる。機械可読媒体の具体例は、例えば、半導体メモリデバイス（例えば、ＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒｙ、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒｙ））、フラッシュメモリデバイス、内部ハードディスク及び着脱可能なディスクなどの磁気ディスク、光磁気ディスク及びＣＤ−ＲＯＭ及びＤＶＤ−ＲＯＭディスクを含む不揮発性メモリを含む。
命令８２４は更に、複数の周知の伝送プロトコル（例えば、ＨＴＴＰ）の何れか１つを利用するネットワークインタフェースデバイス８２０を介し伝送媒体を利用して通信ネットワーク８２８上で送信又は受信されてもよい。通信ネットワークの具体例は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネット、携帯電話ネットワーク、ＰＯＴＳ（Ｐｌａｉｎ Ｏｌｄ Ｔｅｌｅｐｈｏｎｅ）ネットワーク及び無線データネットワーク（例えば、Ｗｉ−Ｆｉ、３Ｇ、４Ｇ ＬＴＥ／ＬＴＥ−Ａ又はＷｉＭＡＸネットワーク）を含む。そのような通信はまた、有線又は無線伝送媒体の何れかの組み合わせを利用して、何れかの数のパーソナルエリアネットワーク、ＬＡＮ及びＷＡＮを利用して実現されてもよい。“伝送媒体”という用語は、機械による実行用の命令を格納、符号化又は担持可能な何れかの無形の媒体を含むとされ、このようなソフトウェアの通信を実現するためのデジタル若しくはアナログ通信信号又は他の無形媒体を含む。
上述した実施例は、ハードウェア、ファームウェア及びソフトウェアの１つ又は組み合わせで実現されてもよい。ここに説明される一部の実施例は単一の機械又はデバイスしか示していないが、“システム”、“機械”又は“デバイス”という用語はまた、ここに説明される方法の何れか１つ以上を実行するため、命令セット（又は複数の命令セット）を個別に又は一緒に実行する機械又はデバイスの何れかの集まりを含むとされる。
ここに説明される具体例は、ロジック、複数のコンポーネント、モジュール又は機構を含んでもよいし、あるいは動作してもよい。そのようなコンポーネントは、指定された処理を実行可能な有形のエンティティ（例えば、ハードウェア）であってもよく、特定の方式で設定又は構成されてもよい。一例では、回路は、そのようなコンポーネントを実現するため指定された方式で構成されてもよい（例えば、内部的、又は他の回路などの外部エンティティに関して）。一例では、１つ以上のコンピュータシステム（例えば、スタンドアローン、クライアント又はサーバコンピュータシステム）又は１つ以上のハードウェアプロセッサの全て又は一部は、指定された処理を実行するよう動作するファームウェア又はソフトウェア（例えば、命令、アプリケーション部分又はアプリケーション）によって構成されてもよい。一例では、ソフトウェアは機械可読媒体上にあってもよい。一例では、ソフトウェアは、基礎となるハードウェアによって実行されるとき、ハードウェアに指定された処理を実行させる。
従って、そのようなコンポーネントは、ここに説明された何れかの処理の一部又は全てを実行するか、あるいは、指定された方式で動作するよう物理的に構成され、具体的に構成され（例えば、配線化）又は一時的に設定（例えば、プログラム）される有形なエンティティであってもよい。そのようなコンポーネントが一時的に構成される具体例を考慮すると、各コンポーネントは何れかの一時点においてインスタンス化される必要はない。例えば、コンポーネントがソフトウェアを用いて設定される汎用ハードウェアプロセッサから構成される場合、汎用ハードウェアプロセッサは、異なる時点において異なるコンポーネントとして構成されてもよい。従って、ソフトウェアは、例えば、一時点では特定のコンポーネントを構成し、異なる時点では異なるコンポーネントを構成するようハードウェアプロセッサを設定してもよい。
現在説明されている方法、システム及びデバイスの実施例の追加的な具体例が、上述した構成及び技術に従って示唆され、以下の請求項において指定される。
例えば、ここに説明される主題の具体例１は、計算デバイスにおけるワークフローアクティビティから深層ニューラルネットワークを訓練する方法であって、当該方法は計算デバイスによって実行される電子処理によって実行され、計算デバイスは少なくとも１つのプロセッサと少なくとも１つのメモリとを有し、電子処理は、計算デバイスのグラフィカルユーザインタフェースにおいてソースデータのモデル出力を生成する処理であって、ソースデータのモデル出力はソースデータのセット上で深層ニューラルネットワークのアルゴリズムの実行、又は、ヒューマンユーザ入力に基づく深層ニューラルネットワークのアルゴリズムのための一連のワークフローアクションの手動により指定を利用して生成される、生成する処理と、グラフィカルユーザインタフェースにおいて生成されたソースデータのモデル出力のユーザ修正又はユーザ承諾をグラフィカルユーザインタフェースにおいて受信する処理と、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータを生成する処理であって、アルゴリズムを更新するための更新されたパラメータはグラフィカルユーザインタフェースにおいて受信されるユーザ修正又はユーザ承諾に基づく、生成する処理と、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータをパラメータサーバに送信する処理と、を有する方法によって実現されてもよい。
具体例２では、具体例１の主題は、任意的には、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータは、計算デバイスによって受信されたユーザ入力に応答して、アルゴリズムによって利用されるウェイトの強化を提供し、ユーザ入力は、グラフィカルユーザインタフェースにおいて受信されるユーザ承諾を示す、ことを含む。
具体例３では、具体例１〜２の何れか１つ以上の主題は、任意的には、電子処理は、グラフィカルユーザインタフェースにおいて生成されたソースデータのモデル出力のユーザ修正をグラフィカルユーザインタフェースにおいて受信する処理を有し、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータは、計算デバイスによって受信されたユーザ入力に応答して、アルゴリズムによって利用されるウェイトの変更を提供し、ユーザ入力は、グラフィカルユーザインタフェースにおいて受信されるユーザ修正を示す、ことを含む。
具体例４では、具体例３の主題は、任意的には、電子処理は、ソースデータのモデル出力とソースデータの更新された出力との間の差分を計算する処理を含み、ソースデータの更新された出力はモデル出力のユーザ修正から提供される、計算する処理を含み、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータは、ソースデータのモデル出力とソースデータの更新された出力との間の計算された差分の通知を提供する、ことを含む。
具体例５では、具体例４の主題は、任意的には、ソースデータのモデル出力とソースデータの更新された出力との間の差分を計算する処理は、深層ニューラルネットワークのアルゴリズムによって適用される複数のウェイトに対する変更を計算する処理を含み、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータは、複数のウェイトに対する変更を示す、ことを含む。
具体例６では、具体例１〜５の何れか１つ以上の主題は、任意的には、電子処理は、ユーザインタラクションワークフローを実行する処理であって、ユーザインタラクションワークフローはソースデータのモデル出力を生成する処理を含み、ユーザインタラクションワークフローは深層ニューラルネットワークのアルゴリズムの第１のバージョンの実行によって実行される、生成する処理と、ユーザインタラクションワークフローと同時にパラレルアルゴリズムワークフローを実行する処理であって、パラレルアルゴリズムワークフローはソースデータの予想されるモデル出力を生成する処理を含み、ソースデータの予想されるモデル出力は深層ニューラルネットワークのアルゴリズムの第２のバージョンの実行を利用して生成され、深層ニューラルネットワークのアルゴリズムの第２のバージョンはパラメータサーバから提供される受信したパラメータによって動作する、実行する処理と、ユーザ承諾の受信前、グラフィカルユーザインタフェースにおいて生成されたソースデータのモデル出力のユーザ修正をグラフィカルユーザインタフェースにおいて受信する処理と、深層ニューラルネットワークのアルゴリズムの第１のバージョンにおいて利用されるパラメータと深層ニューラルネットワークのアルゴリズムの第２のバージョンにおいて利用されるパラメータとの差分を決定する処理と、を有し、深層ニューラルネットワークの訓練のための更新されたパラメータの送信は、決定されたパラメータの差分を送信する処理を含む、ことを含む。
具体例７では、具体例１〜６の何れか１つ以上の主題は、任意的には、ソースデータは、１つ以上の医療画像における１つ以上の人間の解剖学的特徴を表す医療イメージングデータであり、深層ニューラルネットワークのアルゴリズムは、検出、セグメント化、定量化又は予測処理の少なくとも１つを含む自動化されたワークフロー処理を実行し、自動化されたワークフロー処理は、１つ以上の医療画像における人間の解剖学的特徴の１つ以上の特定された特性に対して実行される、ことを含む。
具体例８では、具体例７の主題は、任意的には、ソースデータのモデル出力は、１つ以上の医療画像における１つ以上の人間の解剖学的特徴のディスプレイへの可視化の変更を含み、１つ以上の医療画像における１つ以上の人間の解剖学的特徴のディスプレイへの可視化の変更は更に、計算デバイスにより受信されるユーザ修正によって変更され、計算デバイスにより受信されるユーザ修正は、人間の解剖学的特徴の１つ以上のディスプレイへの可視化に対する更なる変更を生じさせ、ユーザ修正は、ヒューマン入力デバイスを介し計算デバイスによって受信される第１のユーザ入力から受信され、計算デバイスによって受信されるユーザ承諾は、人間の解剖学的特徴の１つ以上のディスプレイへの可視化に対する更なる変更の承諾を生じさせ、ユーザ承諾はヒューマン入力デバイスを介し計算デバイスによって受信される第２のユーザ入力から受信される、ことを含む。
具体例９では、具体例１〜８の何れか１つ以上の主題は、任意的には、電子処理は、パラメータサーバから深層ニューラルネットワークのアルゴリズムの以降の処理のための以降に受信されるパラメータを受信する処理と、深層ニューラルネットワークのアルゴリズムによる以降に受信されるパラメータの利用に基づき、ソースデータの以降のセットに対して深層ニューラルネットワークのアルゴリズムを動作させる処理と、を有する。
更なる他の具体例として、具体例１０のここに説明される主題は、非一時的な機械可読媒体によって実現されてもよく、機械可読媒体は、ハードウェアプロセッサを有する機械によって実行されると、グラフィカルユーザインタフェースにおいてソースデータのモデル出力を生成する処理であって、ソースデータのモデル出力はソースデータのセット上で深層ニューラルネットワークのアルゴリズムの実行、又は、ヒューマンユーザ入力に基づく深層ニューラルネットワークのアルゴリズムのための一連のワークフローアクションの手動により指定を利用して生成される、生成する処理と、グラフィカルユーザインタフェースにおいて生成されたソースデータのモデル出力のユーザ修正又はユーザ承諾をグラフィカルユーザインタフェースにおいて受信する処理と、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータを生成する処理であって、アルゴリズムを更新するための更新されたパラメータはグラフィカルユーザインタフェースにおいて受信されるユーザ修正又はユーザ承諾に基づく、生成する処理と、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータをパラメータサーバに送信する処理とのクライアント又はサーバによって実行される方法の態様を機械に実行させる。
具体例１１では、具体例１０の主題は、任意的には、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータは、受信されたユーザ入力に応答して、アルゴリズムによって利用されるウェイトの強化を提供し、受信したユーザ入力は、グラフィカルユーザインタフェースにおいて受信されるユーザ承諾を示す、ことを含む。
具体例１２では、具体例１０〜１１の何れか１つ以上の主題は、任意的には、グラフィカルユーザインタフェースにおいて生成されたソースデータのモデル出力のユーザ修正をグラフィカルユーザインタフェースにおいて受信する処理を機械に実行させる命令を含み、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータは、受信されたユーザ入力に応答して、アルゴリズムによって利用されるウェイトの変更を提供し、受信されたユーザ入力は、グラフィカルユーザインタフェースにおいて受信されるユーザ修正を示す、ことを含む。
具体例１３では、具体例１２の主題は、任意的には、ソースデータのモデル出力とソースデータの更新された出力との間の差分を計算する処理を機械に実行させる命令を更に含み、ソースデータの更新された出力はモデル出力のユーザ修正から提供される、計算する処理を含み、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータは、ソースデータのモデル出力とソースデータの更新された出力との間の計算された差分の通知を提供する、ことを含む。
具体例１４では、具体例１３の主題は、任意的には、ソースデータのモデル出力とソースデータの更新された出力との間の差分を計算する処理は、深層ニューラルネットワークのアルゴリズムによって適用される複数のウェイトに対する変更を計算する処理を含み、深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータは、複数のウェイトに対する変更を示す、ことを含む。
具体例１５では、具体例１０〜１４の何れか１つ以上の主題は、任意的には、ユーザインタラクションワークフローを実行する処理を機械に実行させる命令を含み、ユーザインタラクションワークフローはソースデータのモデル出力を生成する処理を含み、ユーザインタラクションワークフローは深層ニューラルネットワークのアルゴリズムの第１のバージョンの実行によって実行される、生成する処理と、ユーザインタラクションワークフローと同時にパラレルアルゴリズムワークフローを実行する処理であって、パラレルアルゴリズムワークフローはソースデータの予想されるモデル出力を生成する処理を含み、ソースデータの予想されるモデル出力は深層ニューラルネットワークのアルゴリズムの第２のバージョンの実行を利用して生成され、深層ニューラルネットワークのアルゴリズムの第２のバージョンはパラメータサーバから提供される受信したパラメータによって動作する、実行する処理と、ユーザ承諾の受信前、グラフィカルユーザインタフェースにおいて生成されたソースデータのモデル出力のユーザ修正をグラフィカルユーザインタフェースにおいて受信する処理と、深層ニューラルネットワークのアルゴリズムの第１のバージョンにおいて利用されるパラメータと深層ニューラルネットワークのアルゴリズムの第２のバージョンにおいて利用されるパラメータとの差分を決定する処理と、を有し、深層ニューラルネットワークの訓練のための更新されたパラメータの送信は、決定されたパラメータの差分を送信する処理を含む、ことを含む。
具体例１６では、具体例１０〜１５の何れか１つ以上の主題は、任意的には、ソースデータは、１つ以上の医療画像における１つ以上の人間の解剖学的特徴を表す医療イメージングデータであり、深層ニューラルネットワークのアルゴリズムは、検出、セグメント化、定量化又は予測処理の少なくとも１つを含む自動化されたワークフロー処理を実行し、自動化されたワークフロー処理は、１つ以上の医療画像における人間の解剖学的特徴の１つ以上の特定された特性に対して実行される、ことを含む。
具体例１７では、具体例１６の主題は、任意的には、ソースデータのモデル出力は、１つ以上の医療画像における１つ以上の人間の解剖学的特徴のディスプレイへの可視化の変更を含み、１つ以上の医療画像における１つ以上の人間の解剖学的特徴のディスプレイへの可視化の変更は更に、計算デバイスにより受信されるユーザ修正によって変更され、計算デバイスにより受信されるユーザ修正は、人間の解剖学的特徴の１つ以上のディスプレイへの可視化に対する更なる変更を生じさせ、ユーザ修正は、ヒューマン入力デバイスを介し計算デバイスによって受信される第１のユーザ入力から受信され、計算デバイスによって受信されるユーザ承諾は、人間の解剖学的特徴の１つ以上のディスプレイへの可視化に対する更なる変更の承諾を生じさせ、ユーザ承諾はヒューマン入力デバイスを介し計算デバイスによって受信される第２のユーザ入力から受信される、ことを含む。
具体例１８では、具体例１０〜１７の何れか１つ以上の主題は、任意的には、パラメータサーバから深層ニューラルネットワークのアルゴリズムの以降の処理のための以降に受信されるパラメータを受信する処理と、深層ニューラルネットワークのアルゴリズムによる以降に受信されるパラメータの利用に基づき、ソースデータの以降のセットに対して深層ニューラルネットワークのアルゴリズムを動作させる処理と、を機械に実行させる命令を含む。
他の具体例として、具体例１９のここに説明される主題は、ソフトウェアアプリケーションを実行するデバイス（例えば、コンピュータシステム）によって実行される方法によって実現されてもよく、ソフトウェアアプリケーションは、少なくとも１つのプロセッサと少なくとも１つのメモリとによって実行される電子処理を介し実行され、計算デバイスのグラフィカルユーザインタフェースにおいてソースデータのモデル出力を生成するための命令であって、自動化されたワークフローアクションを実行するためのソースデータのモデル出力はソースデータのセットに対する深層ニューラルネットワークのアルゴリズムの実行、又は、ヒューマンユーザ入力に基づく深層ニューラルネットワークのアルゴリズムの一連のワークフローアクションの手動の指定を利用して生成される、生成するための命令と、グラフィカルユーザインタフェースにおいて生成されたソースデータのモデル出力のユーザ修正又はユーザ承諾をグラフィカルユーザインタフェースにおいて受信する命令と、深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータを生成する命令であって、アルゴリズムを更新するための更新されるパラメータはグラフィカルユーザインタフェースにおいて受信されるユーザ修正又はユーザ承諾に基づく、生成する命令と、深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータをパラメータサーバに送信する命令と、を実行する。
具体例２０では、具体例１９の主題は、任意的には、具体例１〜１９において指定される機械可読媒体によって提供される命令の実行など、電子処理の何れかを実行するデバイスを含む。
他の具体例として、具体例２１のここに説明される主題は、少なくとも１つのプロセッサと少なくとも１つのメモリとを有する処理回路を有する医療イメージング閲覧システムを有するシステムであって、処理回路は、少なくとも１つのプロセッサと少なくとも１つのメモリとによって、グラフィカルユーザインタフェースにおいてソースデータのモデル出力を生成するための命令であって、ソースデータのモデル出力はソースデータのセットに対する深層ニューラルネットワークのアルゴリズムの実行を利用して生成される、生成するための命令と、グラフィカルユーザインタフェースにおいて生成されたソースデータのモデル出力のユーザ承諾をグラフィカルユーザインタフェースにおいて受信する命令と、深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータを生成する命令であって、アルゴリズムを更新するための更新されるパラメータはグラフィカルユーザインタフェースにおいて受信されるユーザ承諾に基づく、生成する命令と、深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータをパラメータサーバに送信する命令と、を実行するシステムによって実現されうる。
具体理絵２２では、具体例２１の主題は、任意的には、処理回路は、少なくとも１つのプロセッサと少なくとも１つのメモリとによって、受信したユーザ入力に応答して、アルゴリズムによって利用されるウェイトの強化を提供するため、深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータを計算する命令を更に実行し、ユーザ入力は、グラフィカルユーザインタフェースにおいて受信されるユーザ承諾を示し、ソースデータは、１つ以上の医療画像において人間の解剖学的特徴を表す医療イメージングデータであり、深層ニューラルネットワークのアルゴリズムは、検出、セグメント化、定量化又は予測処理の少なくとも１つを含む自動化されたワークフロー処理を実行し、自動化されたワークフロー処理は、１つ以上の医療画像における人間の解剖学的特徴の１つ以上の特定された特性に対して実行される、ことを含む。
具体例２３では、具体例２１〜２２の何れか１つ以上の主題は、任意的には、処理回路は、少なくとも１つのプロセッサと少なくとも１つのメモリとによって、グラフィカルユーザインタフェースにおいて生成されるソースデータのモデル出力のユーザ修正をグラフィカルユーザインタフェースにおいて受信する命令と、ソースデータのモデル出力とソースデータの更新された出力との間の差分を計算する命令であって、ソースデータの更新された出力はモデル出力のユーザ修正から提供される、計算する命令と、を更に実行し、深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータは、受信されたユーザ入力に応答して、アルゴリズムによって利用されるウェイトの変更を提供し、深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータは、ソースデータのモデル出力とソースデータの更新された出力との間の計算された差分の通知を提供し、ユーザ入力は、グラフィカルユーザインタフェースにおいて受信されるユーザ修正を示す、ことを含む。
具体例２４では、具体例２１〜２３の何れか１つ以上の主題は、任意的には、処理回路は、少なくとも１つのプロセッサと少なくとも１つのメモリとによって、ユーザインタラクションワークフローを実行する命令であって、ユーザインタラクションワークフローはソースデータのモデル出力を生成するための処理を含み、ユーザインタラクションワークフローは深層ニューラルネットワークのアルゴリズムの第１のバージョンの実行によって実行される、実行する命令と、ユーザインタラクションワークフローと同時にパラレルアルゴリズムワークフローを実行する命令であって、パラレルアルゴリズムワークフローはソースデータの予想されるモデル出力を生成する処理を含み、ソースデータの予想されるモデル出力は深層ニューラルネットワークのアルゴリズムの第２のバージョンの実行を利用して生成され、深層ニューラルネットワークのアルゴリズムの第２のバージョンはパラメータサーバから提供される受信されたパラメータによって動作する、実行する命令と、ユーザ承諾の受信前、グラフィカルユーザインタフェースにおいて生成されたソースデータのモデル出力のユーザ修正をグラフィカルユーザインタフェースにおいて受信する命令と、深層ニューラルネットワークのアルゴリズムの第１のバージョンにおいて利用されるパラメータと、深層ニューラルネットワークのアルゴリズムの第２のバージョンにおいて利用されるパラメータとの差分を決定する命令と、を実行し、深層ニューラルネットワークの訓練のための更新されるパラメータの送信は、決定されたパラメータの差分の送信を含む、ことを含む。
具体例２５は、具体例１〜２４の何れか１つ以上に示される電子処理の何れかを実行する手段を有する装置を含む。
他の非限定的な具体例は、別々に動作するよう構成されてもよいし、あるいは、以下の請求項において、又は本開示を通じて上述された他の具体例の何れか１つ以上の何れかの組み合わせにおいて組み合わせ可能である。

Claims (24)

  1. 計算デバイスにおけるワークフローアクティビティから深層ニューラルネットワークを訓練する方法であって、当該方法は前記計算デバイスによって実行される電子処理によって実行され、前記計算デバイスは少なくとも１つのプロセッサと少なくとも１つのメモリとを有し、前記電子処理は、
    前記計算デバイスのグラフィカルユーザインタフェースにおいてソースデータのモデル出力を生成する処理であって、前記ソースデータのモデル出力はソースデータのセット上で深層ニューラルネットワークのアルゴリズムの実行を利用して生成される、生成する処理と、
    前記グラフィカルユーザインタフェースにおいて生成された前記ソースデータのモデル出力のユーザ承諾を前記グラフィカルユーザインタフェースにおいて受信する処理と、
    前記深層ニューラルネットワークのアルゴリズムを更新するための更新されたパラメータを生成する処理であって、前記アルゴリズムを更新するための更新されたパラメータは前記グラフィカルユーザインタフェースにおいて受信されるユーザ承諾に基づく、生成する処理と、
    前記深層ニューラルネットワークのアルゴリズムを更新するための前記更新されたパラメータをパラメータサーバに送信する処理と、
    を有する方法。
  2. 前記深層ニューラルネットワークのアルゴリズムを更新するための前記更新されたパラメータは、前記計算デバイスによって受信されたユーザ入力に応答して、前記アルゴリズムによって利用されるウェイトの強化を提供し、
    前記ユーザ入力は、前記グラフィカルユーザインタフェースにおいて受信されるユーザ承諾を示す、請求項１記載の方法。
  3. 前記電子処理は、
    前記グラフィカルユーザインタフェースにおいて生成された前記ソースデータのモデル出力のユーザ修正を前記グラフィカルユーザインタフェースにおいて受信する処理を有し、
    前記深層ニューラルネットワークのアルゴリズムを更新するための前記更新されたパラメータは、前記計算デバイスによって受信されたユーザ入力に応答して、前記アルゴリズムによって利用されるウェイトの変更を提供し、
    前記ユーザ入力は、前記グラフィカルユーザインタフェースにおいて受信されるユーザ修正を示す、請求項１記載の方法。
  4. 前記電子処理は、
    前記ソースデータのモデル出力と前記ソースデータの更新された出力との間の差分を計算する処理を含み、前記ソースデータの更新された出力は前記モデル出力のユーザ修正から提供される、計算する処理を含み、
    前記深層ニューラルネットワークのアルゴリズムを更新するための前記更新されたパラメータは、前記ソースデータのモデル出力と前記ソースデータの更新された出力との間の計算された差分の通知を提供する、請求項３記載の方法。
  5. 前記ソースデータのモデル出力と前記ソースデータの更新された出力との間の差分を計算する処理は、前記深層ニューラルネットワークのアルゴリズムによって適用される複数のウェイトに対する変更を計算する処理を含み、
    前記深層ニューラルネットワークのアルゴリズムを更新するための前記更新されたパラメータは、前記複数のウェイトに対する変更を示す、請求項４記載の方法。
  6. 前記電子処理は、
    ユーザインタラクションワークフローを実行する処理であって、前記ユーザインタラクションワークフローは前記ソースデータのモデル出力を生成する処理を含み、前記ユーザインタラクションワークフローは前記深層ニューラルネットワークのアルゴリズムの第１のバージョンの実行によって実行される、生成する処理と、
    前記ユーザインタラクションワークフローと同時にパラレルアルゴリズムワークフローを実行する処理であって、前記パラレルアルゴリズムワークフローは前記ソースデータの予想されるモデル出力を生成する処理を含み、前記ソースデータの予想されるモデル出力は前記深層ニューラルネットワークのアルゴリズムの第２のバージョンの実行を利用して生成され、前記深層ニューラルネットワークのアルゴリズムの第２のバージョンは前記パラメータサーバから提供される受信したパラメータによって動作する、実行する処理と、
    前記ユーザ承諾の受信前、前記グラフィカルユーザインタフェースにおいて生成された前記ソースデータのモデル出力のユーザ修正を前記グラフィカルユーザインタフェースにおいて受信する処理と、
    前記深層ニューラルネットワークのアルゴリズムの第１のバージョンにおいて利用されるパラメータと前記深層ニューラルネットワークのアルゴリズムの第２のバージョンにおいて利用されるパラメータとの差分を決定する処理と、
    を有し、
    前記深層ニューラルネットワークの訓練のための前記更新されたパラメータの送信は、前記決定されたパラメータの差分を送信する処理を含む、請求項１記載の方法。
  7. 前記ソースデータは、１つ以上の医療画像における１つ以上の人間の解剖学的特徴を表す医療イメージングデータであり、
    前記深層ニューラルネットワークのアルゴリズムは、検出、セグメント化、定量化又は予測処理の少なくとも１つを含む自動化されたワークフロー処理を実行し、
    前記自動化されたワークフロー処理は、前記１つ以上の医療画像における人間の解剖学的特徴の１つ以上の特定された特性に対して実行される、請求項１記載の方法。
  8. 前記ソースデータのモデル出力は、前記１つ以上の医療画像における１つ以上の人間の解剖学的特徴のディスプレイへの可視化の変更を含み、前記１つ以上の医療画像における１つ以上の人間の解剖学的特徴のディスプレイへの可視化の変更は更に、前記計算デバイスにより受信されるユーザ修正によって変更され、
    前記計算デバイスにより受信されるユーザ修正は、前記人間の解剖学的特徴の１つ以上のディスプレイへの可視化に対する更なる変更を生じさせ、前記ユーザ修正は、ヒューマン入力デバイスを介し前記計算デバイスによって受信される第１のユーザ入力から受信され、
    前記計算デバイスにより受信されるユーザ承諾は、前記人間の解剖学的特徴の１つ以上のディスプレイへの可視化に対する更なる変更の承諾を生じさせ、前記ユーザ承諾は前記ヒューマン入力デバイスを介し前記計算デバイスによって受信される第２のユーザ入力から受信される、請求項７記載の方法。
  9. 前記電子処理は、
    前記パラメータサーバから前記深層ニューラルネットワークのアルゴリズムの以降の処理のための以降に受信されるパラメータを受信する処理と、
    前記深層ニューラルネットワークのアルゴリズムによる前記以降に受信されるパラメータの利用に基づき、ソースデータの以降のセットに対して前記深層ニューラルネットワークのアルゴリズムを動作させる処理と、
    を有する、請求項１記載の方法。
  10. 計算システムによって実行されると、前記計算システムに請求項１乃至９何れか一項記載の方法を実行させる命令を含む少なくとも１つの機械可読媒体。
  11. 請求項１乃至９何れか一項記載の方法を実行する手段を有する装置。
  12. 少なくとも１つのプロセッサと少なくとも１つのメモリとを有する処理回路を有する医療イメージング閲覧システムを有するシステムであって、前記処理回路は、前記少なくとも１つのプロセッサと前記少なくとも１つのメモリとによって、
    グラフィカルユーザインタフェースにおいてソースデータのモデル出力を生成するための命令であって、前記ソースデータのモデル出力はソースデータのセットに対する深層ニューラルネットワークのアルゴリズムの実行を利用して生成される、生成するための命令と、
    前記グラフィカルユーザインタフェースにおいて生成された前記ソースデータのモデル出力のユーザ承諾を前記グラフィカルユーザインタフェースにおいて受信する命令と、
    前記深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータを生成する命令であって、前記アルゴリズムを更新するための更新されるパラメータは前記グラフィカルユーザインタフェースにおいて受信される前記ユーザ承諾に基づく、生成する命令と、
    前記深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータをパラメータサーバに送信する命令と、
    を実行するシステム。
  13. 前記処理回路は、前記少なくとも１つのプロセッサと前記少なくとも１つのメモリとによって、受信したユーザ入力に応答して、前記アルゴリズムによって利用されるウェイトの強化を提供するため、前記深層ニューラルネットワークのアルゴリズムを更新するための前記更新されるパラメータを計算する命令を更に実行し、
    前記ユーザ入力は、前記グラフィカルユーザインタフェースにおいて受信される前記ユーザ承諾を示し、
    前記ソースデータは、１つ以上の医療画像において人間の解剖学的特徴を表す医療イメージングデータであり、
    前記深層ニューラルネットワークのアルゴリズムは、検出、セグメント化、定量化又は予測処理の少なくとも１つを含む自動化されたワークフロー処理を実行し、
    前記自動化されたワークフロー処理は、前記１つ以上の医療画像における前記人間の解剖学的特徴の１つ以上の特定された特性に対して実行される、請求項１２記載のシステム。
  14. 前記処理回路は、前記少なくとも１つのプロセッサと前記少なくとも１つのメモリとによって、
    前記グラフィカルユーザインタフェースにおいて生成される前記ソースデータのモデル出力のユーザ修正を前記グラフィカルユーザインタフェースにおいて受信する命令と、
    前記ソースデータのモデル出力と前記ソースデータの更新された出力との間の差分を計算する命令であって、前記ソースデータの更新された出力は前記モデル出力のユーザ修正から提供される、計算する命令と、
    を更に実行し、
    前記深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータは、受信されたユーザ入力に応答して、前記アルゴリズムによって利用されるウェイトの変更を提供し、
    前記深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータは、前記ソースデータのモデル出力と前記ソースデータの更新された出力との間の計算された差分の通知を提供し、
    前記ユーザ入力は、前記グラフィカルユーザインタフェースにおいて受信される前記ユーザ修正を示す、請求項１２記載のシステム。
  15. 前記処理回路は、前記少なくとも１つのプロセッサと前記少なくとも１つのメモリとによって、
    ユーザインタラクションワークフローを実行する命令であって、前記ユーザインタラクションワークフローは前記ソースデータのモデル出力を生成するための処理を含み、前記ユーザインタラクションワークフローは前記深層ニューラルネットワークのアルゴリズムの第１のバージョンの実行によって実行される、実行する命令と、
    前記ユーザインタラクションワークフローと同時にパラレルアルゴリズムワークフローを実行する命令であって、前記パラレルアルゴリズムワークフローは前記ソースデータの予想されるモデル出力を生成する処理を含み、前記ソースデータの予想されるモデル出力は前記深層ニューラルネットワークのアルゴリズムの第２のバージョンの実行を利用して生成され、前記深層ニューラルネットワークのアルゴリズムの第２のバージョンは前記パラメータサーバから提供される受信されたパラメータによって動作する、実行する命令と、
    前記ユーザ承諾の受信前、前記グラフィカルユーザインタフェースにおいて生成された前記ソースデータのモデル出力のユーザ修正を前記グラフィカルユーザインタフェースにおいて受信する命令と、
    前記深層ニューラルネットワークのアルゴリズムの第１のバージョンにおいて利用されるパラメータと、前記深層ニューラルネットワークのアルゴリズムの第２のバージョンにおいて利用されるパラメータとの差分を決定する命令と、
    を実行し、
    前記深層ニューラルネットワークの訓練のための前記更新されるパラメータの送信は、前記決定されたパラメータの差分の送信を含む、請求項１２記載のシステム。
  16. 少なくとも１つの非一時的な機械可読媒体であって、前記機械可読媒体は、ハードウェアプロセッサを有する機械によって実行されると、
    グラフィカルユーザインタフェースにおいてソースデータのモデル出力を生成する処理であって、前記ソースデータのモデル出力はソースデータのセットに対する深層ニューラルネットワークのアルゴリズムの実行を利用して生成される、生成する処理と、
    前記グラフィカルユーザインタフェースにおいて生成された前記ソースデータのモデル出力のユーザ承諾を前記グラフィカルユーザインタフェースにおいて受信する処理と、
    前記深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータを生成する処理であって、前記アルゴリズムを更新するための更新されるパラメータは前記グラフィカルユーザインタフェースにおいて受信されるユーザ承諾に基づく、生成する処理と、
    前記深層ニューラルネットワークのアルゴリズムを更新するための前記更新されるパラメータをパラメータサーバに送信する処理と、
    を前記機械に実行させる命令を含む機械可読媒体。
  17. 前記深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータは、受信したユーザ入力に応答して、前記アルゴリズムによって利用されるウェイトの強化を提供し、
    前記受信したユーザ入力は、前記グラフィカルユーザインタフェースにおいて受信されるユーザ承諾を示す、請求項１６記載の機械可読媒体。
  18. 前記グラフィカルユーザインタフェースにおいて生成される前記ソースデータのモデル出力のユーザ修正を前記グラフィカルユーザインタフェースにおいて受信する処理を前記機械に実行させる命令を更に含み、
    前記深層ニューラルネットワークのアルゴリズムを更新するための前記更新されるパラメータは、受信したユーザ入力に応答して、前記アルゴリズムによって利用されるウェイトの変更を提供し、
    前記受信したユーザ入力は、前記グラフィカルユーザインタフェースにおいて受信されるユーザ修正を示す、請求項１６記載の機械可読媒体。
  19. 前記ソースデータのモデル出力と前記ソースデータの更新される出力との間の差分を計算する処理であって、前記ソースデータの更新される出力は前記モデル出力のユーザ修正から提供される、計算する処理を前記機械に実行させる命令を更に含み、
    前記深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータは、前記ソースデータのモデル出力と前記ソースデータの更新される出力との間の計算された差分の通知を提供する、請求項１８記載の機械可読媒体。
  20. 前記ソースデータのモデル出力と前記ソースデータの更新される出力との間の差分を計算する処理は、前記深層ニューラルネットワークのアルゴリズムによって適用される複数のウェイトに対する変更を計算する処理を含み、
    前記深層ニューラルネットワークのアルゴリズムを更新するための更新されるパラメータは、前記複数のウェイトに対する変更を示す、請求項１９記載の機械可読媒体。
  21. ユーザインタラクションワークフローを実行する処理であって、前記ユーザインタラクションワークフローは前記ソースデータのモデル出力を生成するための処理を含み、前記ユーザインタラクションワークフローは前記深層ニューラルネットワークのアルゴリズムの第１のバージョンの実行によって実行される、実行する処理と、
    前記ユーザインタラクションワークフローと同時にパラレルアルゴリズムワークフローを実行する処理であって、前記パラレルアルゴリズムワークフローは前記ソースデータの予想されるモデル出力を生成する処理を含み、前記ソースデータの予想されるモデル出力は前記深層ニューラルネットワークのアルゴリズムの第２のバージョンの実行を利用して生成され、前記深層ニューラルネットワークのアルゴリズムの第２のバージョンは前記パラメータサーバから提供される受信されたパラメータによって動作する、実行する処理と、
    前記ユーザ承諾の受信前、前記グラフィカルユーザインタフェースにおいて生成された前記ソースデータのモデル出力のユーザ修正を前記グラフィカルユーザインタフェースにおいて受信する処理と、
    前記深層ニューラルネットワークのアルゴリズムの第１のバージョンにおいて利用されるパラメータと、前記深層ニューラルネットワークのアルゴリズムの第２のバージョンにおいて利用されるパラメータとの差分を決定する処理と、
    を実行し、
    前記深層ニューラルネットワークの訓練のための前記更新されるパラメータの送信は、前記決定されたパラメータの差分の送信を含む、請求項１６記載の機械可読媒体。
  22. 前記ソースデータは、１つ以上の医療画像において１つ以上の人間の解剖学的特徴を表す医療イメージングデータであり、
    前記深層ニューラルネットワークのアルゴリズムは、検出、セグメント化、定量化又は予測処理の少なくとも１つを含む自動化されたワークフロー処理を実行し、
    前記自動化されたワークフロー処理は、前記１つ以上の医療画像における前記人間の解剖学的特徴の１つ以上の特定された特性に対して実行される、請求項１６記載の機械可読媒体。
  23. 前記ソースデータのモデル出力は、前記１つ以上の医療画像における１つ以上の人間の解剖学的特徴のディスプレイへの可視化における変更を含み、前記１つ以上の医療画像における１つ以上の人間の解剖学的特徴のディスプレイへの可視化の変更は更に、ユーザ修正によって変更され、
    前記ユーザ修正は、前記人間の解剖学的特徴の１つ以上のディスプレイへの可視化に対する更なる変更を生じさせ、前記ユーザ修正は、ヒューマン入力デバイスを介し受信した第１のユーザ入力から受信され、
    前記ユーザ承諾は、前記人間の解剖学的特徴の１つ以上のディスプレイへの可視化に対する更なる変更の承諾を生じさせ、前記ユーザ承諾は、前記ヒューマン入力デバイスを介し受信される第２のユーザ入力から受信される、請求項２２記載の機械可読媒体。
  24. 前記パラメータサーバから、前記深層ニューラルネットワークのアルゴリズムの以降の処理のための以降に受信されるパラメータを受信する処理と、
    前記深層ニューラルネットワークのアルゴリズムによる前記以降に受信されるパラメータの利用に基づき、ソースデータの以降のセットに対して前記深層ニューラルネットワークのアルゴリズムを動作させる処理と、
    を前記機械に実行させる命令を含む、請求項１６記載の機械可読媒体。
JP2019528455A 2016-11-23 2017-11-17 深層学習ニューラルネットワークの分散化された診断ワークフロー訓練 Pending JP2020513615A (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662425656P 2016-11-23 2016-11-23
US62/425,656 2016-11-23
US15/443,547 2017-02-27
US15/443,547 US20180144244A1 (en) 2016-11-23 2017-02-27 Distributed clinical workflow training of deep learning neural networks
PCT/US2017/062274 WO2018098039A1 (en) 2016-11-23 2017-11-17 Distributed clinical workflow training of deep learning neural networks

Publications (1)

Publication Number Publication Date
JP2020513615A true JP2020513615A (ja) 2020-05-14

Family

ID=62147670

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019528455A Pending JP2020513615A (ja) 2016-11-23 2017-11-17 深層学習ニューラルネットワークの分散化された診断ワークフロー訓練

Country Status (4)

Country Link
US (1) US20180144244A1 (ja)
EP (1) EP3545471A4 (ja)
JP (1) JP2020513615A (ja)
WO (1) WO2018098039A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022008781A (ja) * 2020-06-28 2022-01-14 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 分散型トレーニング方法、システム、デバイス、記憶媒体、及びプログラム

Families Citing this family (57)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8532745B2 (en) 2006-02-15 2013-09-10 Hologic, Inc. Breast biopsy and needle localization using tomosynthesis systems
CN102481146B (zh) 2009-10-08 2016-08-17 霍罗吉克公司 乳房的穿刺活检系统及其使用方法
WO2012071429A1 (en) 2010-11-26 2012-05-31 Hologic, Inc. User interface for medical image review workstation
US9020579B2 (en) 2011-03-08 2015-04-28 Hologic, Inc. System and method for dual energy and/or contrast enhanced breast imaging for screening, diagnosis and biopsy
JP2014534042A (ja) 2011-11-27 2014-12-18 ホロジック, インコーポレイテッドHologic, Inc. マンモグラフィーおよび／またはトモシンセシス画像データを使用して２ｄ画像を生成するためのシステムおよび方法
EP3315072B1 (en) 2012-02-13 2020-04-29 Hologic, Inc. System and method for navigating a tomosynthesis stack using synthesized image data
WO2014151646A1 (en) 2013-03-15 2014-09-25 Hologic Inc. Tomosynthesis-guided biopsy in prone
ES2943561T3 (es) 2014-02-28 2023-06-14 Hologic Inc Sistema y método para generar y visualizar bloques de imagen de tomosíntesis
US10650046B2 (en) 2016-02-05 2020-05-12 Sas Institute Inc. Many task computing with distributed file system
US10346476B2 (en) * 2016-02-05 2019-07-09 Sas Institute Inc. Sketch entry and interpretation of graphical user interface design
US10795935B2 (en) 2016-02-05 2020-10-06 Sas Institute Inc. Automated generation of job flow definitions
US10650045B2 (en) 2016-02-05 2020-05-12 Sas Institute Inc. Staged training of neural networks for improved time series prediction performance
US10642896B2 (en) 2016-02-05 2020-05-05 Sas Institute Inc. Handling of data sets during execution of task routines of multiple languages
JP6818424B2 (ja) * 2016-04-13 2021-01-20 キヤノン株式会社 診断支援装置、情報処理方法、診断支援システム及びプログラム
US11107016B2 (en) * 2016-08-18 2021-08-31 Virtual Power Systems, Inc. Augmented power control within a datacenter using predictive modeling
US10445462B2 (en) 2016-10-12 2019-10-15 Terarecon, Inc. System and method for medical image interpretation
US10452813B2 (en) 2016-11-17 2019-10-22 Terarecon, Inc. Medical image identification and interpretation
US10242449B2 (en) * 2017-01-04 2019-03-26 Cisco Technology, Inc. Automated generation of pre-labeled training data
US10867416B2 (en) * 2017-03-10 2020-12-15 Adobe Inc. Harmonizing composite images using deep learning
EP3600051B1 (en) 2017-03-30 2024-05-01 Hologic, Inc. Method for synthesizing low-dimensional image data from high-dimensional image data using an object grid enhancement
US11445993B2 (en) 2017-03-30 2022-09-20 Hologic, Inc. System and method for targeted object enhancement to generate synthetic breast tissue images
US11399790B2 (en) 2017-03-30 2022-08-02 Hologic, Inc. System and method for hierarchical multi-level feature image synthesis and representation
WO2018236565A1 (en) * 2017-06-20 2018-12-27 Hologic, Inc. METHOD AND SYSTEM FOR MEDICAL IMAGING WITH DYNAMIC SELF-LEARNING
EP4187539B1 (en) 2017-07-30 2024-06-05 NeuroBlade Ltd. A memory-based distributed processor architecture
US10839351B1 (en) * 2017-09-18 2020-11-17 Amazon Technologies, Inc. Automated workflow validation using rule-based output mapping
EP3575742B1 (en) * 2018-05-29 2022-01-26 Global Scanning Denmark A/S A 3d object scanning using structured light
WO2019241659A1 (en) * 2018-06-15 2019-12-19 Subtle Medical, Inc. Systems and methods for magnetic resonance imaging standardization using deep learning
CN110737446B (zh) * 2018-07-20 2021-10-12 杭州海康威视数字技术股份有限公司 更新参数的方法和装置
CN109144729A (zh) * 2018-08-27 2019-01-04 联想(北京)有限公司 分布式系统的数据处理方法和分布式系统
JP7175682B2 (ja) * 2018-09-06 2022-11-21 キヤノンメディカルシステムズ株式会社 診断支援装置、診断支援システム、診断支援方法、及び診断支援プログラム
WO2020056295A2 (en) 2018-09-13 2020-03-19 The Charles Stark Draper Laboratory, Inc. Controlling robot torque and velocity based on context
WO2020092590A1 (en) * 2018-10-30 2020-05-07 Allen Institute Segmenting 3d intracellular structures in microscopy images using an iterative deep learning workflow that incorporates human contributions
EP3877885A4 (en) * 2018-11-07 2021-12-08 Element AI Inc. REMOVAL OF SENSITIVE DATA FROM DOCUMENTS FOR USE AS TRAINING KITS
KR102243644B1 (ko) * 2018-12-07 2021-04-23 서울대학교 산학협력단 의료 영상 분획 딥러닝 모델 생성 장치 및 방법과, 그에 따라 생성된 의료 영상 분획 딥러닝 모델
WO2020139181A1 (en) * 2018-12-28 2020-07-02 Telefonaktiebolaget Lm Ericsson (Publ) A wireless device, a network node and methods therein for updating a first instance of a machine learning model
CN111444255B (zh) * 2018-12-29 2023-09-22 杭州海康存储科技有限公司 一种数据模型的训练方法及装置
US20200258216A1 (en) * 2019-02-13 2020-08-13 Siemens Healthcare Gmbh Continuous learning for automatic view planning for image acquisition
US11943277B2 (en) * 2019-03-15 2024-03-26 Geek Guild Co., Ltd. Conversion system, method and program
JP7393882B2 (ja) * 2019-06-18 2023-12-07 キヤノンメディカルシステムズ株式会社 医用情報処理装置及び医用情報処理システム
US11615321B2 (en) 2019-07-08 2023-03-28 Vianai Systems, Inc. Techniques for modifying the operation of neural networks
US11640539B2 (en) 2019-07-08 2023-05-02 Vianai Systems, Inc. Techniques for visualizing the operation of neural networks using samples of training data
US11681925B2 (en) 2019-07-08 2023-06-20 Vianai Systems, Inc. Techniques for creating, analyzing, and modifying neural networks
KR20210012730A (ko) 2019-07-26 2021-02-03 삼성전자주식회사 인공지능 모델의 학습 방법 및 전자 장치
CN110502576A (zh) * 2019-08-12 2019-11-26 北京迈格威科技有限公司 数据整合方法、分布式计算节点及分布式深度学习训练系统
CN110502544A (zh) * 2019-08-12 2019-11-26 北京迈格威科技有限公司 数据整合方法、分布式计算节点及分布式深度学习训练系统
WO2021028714A1 (en) * 2019-08-13 2021-02-18 Omron Corporation Method, apparatuses, computer program and medium including computer instructions for performing inspection of an item
US11593013B2 (en) * 2019-10-07 2023-02-28 Kyndryl, Inc. Management of data in a hybrid cloud for use in machine learning activities
DE102019007340A1 (de) * 2019-10-22 2021-04-22 e.solutions GmbH Technik zum Einrichten und Betreiben eines neuronalen Netzwerks
CN110908667B (zh) * 2019-11-18 2021-11-16 北京迈格威科技有限公司 神经网络联合编译的方法、装置和电子设备
TWI780382B (zh) * 2019-12-05 2022-10-11 新唐科技股份有限公司 微控制器更新系統和方法
US20220067589A1 (en) * 2020-08-27 2022-03-03 Arm Cloud Technology, Inc. Method and system for testing machine learning models
US11380433B2 (en) 2020-09-28 2022-07-05 International Business Machines Corporation Optimized data collection of relevant medical images
CN112261725B (zh) * 2020-10-23 2022-03-18 安徽理工大学 一种基于深度强化学习的数据包传输智能决策方法
CN112486691A (zh) * 2020-12-17 2021-03-12 深圳Tcl新技术有限公司 显示设备的控制方法、系统及计算机可读存储介质
CN115130830B (zh) * 2022-06-08 2024-05-14 山东科技大学 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法
CN114997325B (zh) * 2022-06-20 2024-04-26 上海电器科学研究所（集团）有限公司 一种基于网络协同的深度学习算法管理系统
CN115687046B (zh) * 2022-10-27 2023-08-08 艾弗世(苏州)专用设备股份有限公司 一种基于智能视觉通行逻辑的仿真训练装置及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006012069A (ja) * 2004-06-29 2006-01-12 Olympus Corp 分類装置及び分類方法
US20090171871A1 (en) * 2007-03-23 2009-07-02 Three Palm Software Combination machine learning algorithms for computer-aided detection, review and diagnosis
US20150238148A1 (en) * 2013-10-17 2015-08-27 Siemens Aktiengesellschaft Method and system for anatomical object detection using marginal space deep neural networks
US20150324688A1 (en) * 2014-05-12 2015-11-12 Qualcomm Incorporated Customized classifier over common features
US20160042135A1 (en) * 2014-08-07 2016-02-11 Dan Hogan Decision support system and method of positive outcome driven clinical workflow optimization
JP2016133895A (ja) * 2015-01-16 2016-07-25 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
US20160232445A1 (en) * 2015-02-06 2016-08-11 Google Inc. Distributed training of reinforcement learning systems

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060224532A1 (en) * 2005-03-09 2006-10-05 Case Western Reserve University Iterative feature weighting with neural networks
US9460387B2 (en) * 2011-09-21 2016-10-04 Qualcomm Technologies Inc. Apparatus and methods for implementing event-based updates in neuron networks
US9483728B2 (en) * 2013-12-06 2016-11-01 International Business Machines Corporation Systems and methods for combining stochastic average gradient and hessian-free optimization for sequence training of deep neural networks
US20150324690A1 (en) * 2014-05-08 2015-11-12 Microsoft Corporation Deep Learning Training System
CA2951723C (en) * 2014-06-10 2021-04-27 Sightline Innovation Inc. System and method for network based application development and implementation
US9846938B2 (en) * 2015-06-01 2017-12-19 Virtual Radiologic Corporation Medical evaluation machine learning workflows and processes
US10360675B2 (en) * 2015-06-12 2019-07-23 International Business Machines Corporation Methods and systems for automatically analyzing clinical images using rules and image analytics
US10452813B2 (en) * 2016-11-17 2019-10-22 Terarecon, Inc. Medical image identification and interpretation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006012069A (ja) * 2004-06-29 2006-01-12 Olympus Corp 分類装置及び分類方法
US20090171871A1 (en) * 2007-03-23 2009-07-02 Three Palm Software Combination machine learning algorithms for computer-aided detection, review and diagnosis
US20150238148A1 (en) * 2013-10-17 2015-08-27 Siemens Aktiengesellschaft Method and system for anatomical object detection using marginal space deep neural networks
US20150324688A1 (en) * 2014-05-12 2015-11-12 Qualcomm Incorporated Customized classifier over common features
US20160042135A1 (en) * 2014-08-07 2016-02-11 Dan Hogan Decision support system and method of positive outcome driven clinical workflow optimization
JP2016133895A (ja) * 2015-01-16 2016-07-25 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
US20160232445A1 (en) * 2015-02-06 2016-08-11 Google Inc. Distributed training of reinforcement learning systems

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022008781A (ja) * 2020-06-28 2022-01-14 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 分散型トレーニング方法、システム、デバイス、記憶媒体、及びプログラム
JP7138150B2 (ja) 2020-06-28 2022-09-15 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 分散型トレーニング方法、システム、デバイス、記憶媒体、及びプログラム

Also Published As

Publication number Publication date
EP3545471A1 (en) 2019-10-02
EP3545471A4 (en) 2020-01-22
WO2018098039A1 (en) 2018-05-31
US20180144244A1 (en) 2018-05-24

Similar Documents

Publication Publication Date Title
JP2020513615A (ja) 深層学習ニューラルネットワークの分散化された診断ワークフロー訓練
US20220122253A1 (en) Information processing device, program, trained model, diagnostic support device, learning device, and prediction model generation method
US9519753B1 (en) Radiology workflow coordination techniques
US20190156947A1 (en) Automated information collection and evaluation of clinical data
US10810512B1 (en) Validating a machine learning model prior to deployment
CN114787832A (zh) 联邦机器学习的方法和服务器
KR20190046911A (ko) 의료 이미징 인포메틱스 피어 리뷰 시스템을 위한 시스템 및 방법
CN108784655A (zh) 针对医疗患者的快速评估和后果分析
AU2017342283A1 (en) System and method for medical image interpretation
EP3633623B1 (en) Medical image pre-processing at the scanner for facilitating joint interpretation by radiologists and artificial intelligence algorithms
JP7374202B2 (ja) 機械学習システムおよび方法、統合サーバ、プログラムならびに推論モデルの作成方法
US20210398650A1 (en) Medical imaging characteristic detection, workflows, and ai model management
US11152123B1 (en) Processing brain data using autoencoder neural networks
US11996198B2 (en) Determination of a growth rate of an object in 3D data sets using deep learning
US20190051405A1 (en) Data generation apparatus, data generation method and storage medium
Gao et al. Chest X-ray image analysis and classification for COVID-19 pneumonia detection using Deep CNN
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
US20230057653A1 (en) Method and system and apparatus for quantifying uncertainty for medical image assessment
JPWO2019141748A5 (ja)
US20230145034A1 (en) Method and apparatus utilizing image-based modeling in healthcare
JP7374201B2 (ja) 機械学習システムおよび方法、統合サーバ、プログラムならびに推論モデルの作成方法
US11308615B1 (en) Systems and processes for improving medical diagnoses
US9526457B2 (en) Predictive intervertebral disc degeneration detection engine
US20220319650A1 (en) Method and System for Providing Information About a State of Health of a Patient
Budd et al. Surface agnostic metrics for cortical volume segmentation and regression

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190719

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190719

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200923

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201222

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20210518