[發(fā)明專利]一種對(duì)醫(yī)療圖像進(jìn)行轉(zhuǎn)換學(xué)習(xí)的方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201610627265.3
• 申請(qǐng)日: 2016-08-03
• 公開（公告）號(hào): CN107025369B
• 公開（公告）日: 2020-03-10
• 發(fā)明（設(shè)計(jì)）人: 陳寬;張榮國(guó)
• 申請(qǐng)（專利權(quán)）人: 北京推想科技有限公司
• 主分類號(hào): G16H30/20
• 分類號(hào): G16H30/20;G06K9/62
• 代理公司: 北京戈程知識(shí)產(chǎn)權(quán)代理有限公司 11314
• 代理人: 程偉;王錦陽(yáng)

本申請(qǐng)公開了一種對(duì)醫(yī)療圖像進(jìn)行轉(zhuǎn)換學(xué)習(xí)的方法和裝置。所述方法包括：讀取醫(yī)療圖像的原始數(shù)據(jù)信息，通過(guò)分析數(shù)據(jù)屬性，對(duì)數(shù)據(jù)進(jìn)行變換加工，整合成待分析模型能夠接收的數(shù)據(jù)格式；通過(guò)待分析模型與已經(jīng)訓(xùn)練好的模型進(jìn)行參數(shù)比較，來(lái)選擇轉(zhuǎn)換方式，從而進(jìn)行參數(shù)轉(zhuǎn)換，并將轉(zhuǎn)換學(xué)習(xí)應(yīng)用在醫(yī)療圖像的待分析模型的訓(xùn)練；當(dāng)模型訓(xùn)練結(jié)束時(shí)，將訓(xùn)練好的模型參數(shù)應(yīng)用到該圖像類別的分析上。該方法可以提高基于少量醫(yī)療圖像進(jìn)行深度學(xué)習(xí)所得到模型的準(zhǔn)確率。本發(fā)明還包括一種對(duì)醫(yī)療圖像進(jìn)行學(xué)習(xí)轉(zhuǎn)換的裝置，其包括：數(shù)據(jù)處理模塊，轉(zhuǎn)換學(xué)習(xí)模塊和應(yīng)用模塊。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)療人工智能與大數(shù)據(jù)處理領(lǐng)域，特別涉及一種對(duì)醫(yī)療圖像轉(zhuǎn)換學(xué)習(xí)的方法和裝置。

背景技術(shù)

隨著以深度學(xué)習(xí)框架為內(nèi)核的新人工智能技術(shù)強(qiáng)勢(shì)崛起，在各個(gè)領(lǐng)域都獲得了長(zhǎng)足的發(fā)展與推進(jìn)，AlphaGo、無(wú)人駕駛車、語(yǔ)音識(shí)別等人們期盼多年的技術(shù)也都在很短的時(shí)間內(nèi)獲得了突破。在可見(jiàn)的未來(lái)當(dāng)中，深度學(xué)習(xí)也將推動(dòng)醫(yī)療行業(yè)的大數(shù)據(jù)分析與人工智能應(yīng)用的發(fā)展。

然而，即便有以上的突破，目前深度學(xué)習(xí)技術(shù)在訓(xùn)練環(huán)節(jié)仍然存在著比較大的問(wèn)題：

i)模型訓(xùn)練成本高，目前應(yīng)用得最好的深度學(xué)習(xí)和大數(shù)據(jù)分析模型都是非常龐大的模型，從頭開始訓(xùn)練模型的時(shí)間動(dòng)輒數(shù)星期甚至數(shù)月，消耗大量時(shí)間與人力。也不利于建模師對(duì)模型的迅速迭代與研發(fā)。

ii)某些應(yīng)用場(chǎng)景訓(xùn)練數(shù)據(jù)有限，數(shù)據(jù)當(dāng)中涵蓋的信息不足以支撐訓(xùn)練一個(gè)龐大的深度學(xué)習(xí)模型，嚴(yán)重限制深度學(xué)習(xí)模型在此類應(yīng)用場(chǎng)景當(dāng)中的應(yīng)用范圍。

具體到醫(yī)療行業(yè)，以上兩個(gè)問(wèn)題可以被具體體現(xiàn)為以下：

1)醫(yī)療領(lǐng)域維度本來(lái)就比一般應(yīng)用場(chǎng)景要多，每一個(gè)病人的診療數(shù)據(jù)紛繁復(fù)雜，深度學(xué)習(xí)和數(shù)據(jù)分析模型也比一般的要龐大和復(fù)雜，訓(xùn)練成本非常高，傳統(tǒng)方法對(duì)深度學(xué)習(xí)和大數(shù)據(jù)、機(jī)器學(xué)習(xí)模型進(jìn)行學(xué)習(xí)和訓(xùn)練將耗費(fèi)大量的人力與物力，大大降低該應(yīng)用的經(jīng)濟(jì)可行性。

2)醫(yī)療領(lǐng)域雖然整體數(shù)據(jù)題量大，但是數(shù)據(jù)源分散在各個(gè)醫(yī)院當(dāng)中，缺乏整體可用的統(tǒng)一數(shù)據(jù)庫(kù)，圍繞單一應(yīng)用場(chǎng)景的數(shù)據(jù)量(如病例數(shù))非常有限，數(shù)據(jù)的變化量不足以支撐訓(xùn)練和運(yùn)算龐大的深度學(xué)習(xí)和大數(shù)據(jù)模型，大大限制深度學(xué)習(xí)和大數(shù)據(jù)技術(shù)能夠被使用的場(chǎng)景。

以上兩個(gè)點(diǎn)都大大限制深度學(xué)習(xí)整體技術(shù)在醫(yī)療行業(yè)的發(fā)展與持續(xù)進(jìn)步。

一般深度學(xué)習(xí)與大數(shù)據(jù)建模當(dāng)中的訓(xùn)練模塊，我們通過(guò)樣本數(shù)據(jù)來(lái)對(duì)模型當(dāng)中的各項(xiàng)參數(shù)進(jìn)行優(yōu)化運(yùn)算，通過(guò)訓(xùn)練模塊的分析與運(yùn)算，深度學(xué)習(xí)和大數(shù)據(jù)模型參數(shù)將變得越來(lái)越優(yōu)化，最終能夠形成可以完成特定功能的優(yōu)化后模型。因此通過(guò)樣本訓(xùn)練而進(jìn)行的優(yōu)化流程在大數(shù)據(jù)、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)各項(xiàng)建模當(dāng)中至關(guān)重要。

在醫(yī)療行業(yè)當(dāng)中進(jìn)行建模，往往因?yàn)閳?chǎng)景復(fù)雜需要建立復(fù)雜龐大的深度學(xué)習(xí)和大數(shù)據(jù)模型來(lái)對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，可是往往在不同應(yīng)用場(chǎng)景當(dāng)中樣本數(shù)量有限，這為深度學(xué)習(xí)與大數(shù)據(jù)建模訓(xùn)練模塊當(dāng)中的參數(shù)優(yōu)化環(huán)節(jié)帶來(lái)非常大的壓力，往往我們所擁有的數(shù)據(jù)量不足以支撐整個(gè)模型所需要的樣本來(lái)完成優(yōu)化，模型往往運(yùn)算不出足夠的效果，優(yōu)化過(guò)程當(dāng)中找不到最優(yōu)點(diǎn)。

發(fā)明內(nèi)容

為克服現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種對(duì)醫(yī)療圖像進(jìn)行轉(zhuǎn)換學(xué)習(xí)的方法和裝置，可有效解決解決以上優(yōu)化問(wèn)題，以提升深度學(xué)習(xí)在醫(yī)療圖像領(lǐng)域的實(shí)用效果。

本發(fā)明的一種對(duì)醫(yī)療圖像進(jìn)行轉(zhuǎn)換學(xué)習(xí)的方法，其包括如下步驟：

S1：讀取醫(yī)療圖像的原始數(shù)據(jù)信息，通過(guò)分析數(shù)據(jù)屬性，對(duì)數(shù)據(jù)進(jìn)行變換加工，整合成待分析模型能夠接收的數(shù)據(jù)格式；

S2：通過(guò)待分析模型與已經(jīng)訓(xùn)練好的模型進(jìn)行參數(shù)比較，來(lái)選擇轉(zhuǎn)換方式，從而進(jìn)行參數(shù)轉(zhuǎn)換，并將轉(zhuǎn)換學(xué)習(xí)應(yīng)用在醫(yī)療圖像的待分析模型的訓(xùn)練；

S3：當(dāng)模型訓(xùn)練結(jié)束時(shí)，將訓(xùn)練好的模型參數(shù)應(yīng)用到該圖像類別的分析上；