[发明专利]用于推理、高级处理和机器学习应用程序的虚拟化计算平台

说明书

在各种示例中，可以提供用于高级计算操作的虚拟化计算平台，高级计算操作包括图像重建、分割、处理、分析、可视化和深度学习。该平台可以通过选择、组织和调整用于局部的、本地实现的任务容器的构造来允许推理管线定制。在任务容器内，为了特定于位置的实现可以利用并更新非本地生成的机器学习模型，以执行图像处理操作。因此使用虚拟化计算平台，诸如医院和诊所的设施可以在生产环境中更无缝地训练、部署和集成机器学习模型，以向从业者提供信息丰富且可操作的医学信息。

背景技术

纵观近期历史，成像操作已成为众多行业研究和诊断不可或缺的组成部分，其中医疗保健和医学研究就属于其中。医学成像设备-例如计算机断层扫描(CT)扫描仪，正电子发射技术(PET)扫描仪，核成像仪，X射线仪，超声仪和磁共振成像(MRI)仪-被广泛用于医疗辅助专业人士和数据科学家在可视化受试者的解剖结构以识别异常，确定诊断以及研究器官功能和疾病。设备齐全的现代医院和实验室可以在内部部署任意数量的此类医学成像设备。随着计算技术尤其是图形处理技术的进步，图形处理单元(GPU)越来越多地用于医学成像设备，以改进它们的性能和功能。

尽管技术取得了这些进步，但是仍然需要医疗保健或医疗从业人员进行准确的诊断-通常依赖于每个从业者的感知、理解和特定经验。在某些情况下，机器学习(例如，使用深度神经网络(DNN))已用于捕获本地从业人员的这些感知，以在医学成像领域中执行分类、分割和对象检测任务。但是，构建、训练、部署和执行机器学习来执行这些任务是非常复杂和困难的，通常需要对计算基础架构进行大规模且昂贵的升级。结果，在医院场所部署可能是非常昂贵或费时的。此外，由于各种机器学习任务(例如，分类，分割，重建等)可能是每个医院的不同团队的责任，因此各种任务之间的协作和集成可能会增加本地部署的复杂性。

而且，用于医学成像设备的计算能力通常在设备可用于装运之前就已经封顶了几年。因此，医院使用的技术通常已经过时了至少几年，在实际可用的尖端医学成像技术与诊所和医院中医学成像设备的当前安装基础之间造成了延迟或差距。由于创建并部署了机器学习模型的编程和训练以用于已经过时的医学成像设备，因此这种延迟或差距会延续到医院的机器学习能力。结果，随着更精确的成像技术和设备的开发，除了更优化和信息量更大的机器学习模型之外，医院还受到其当前医学成像设备技术的限制，从而降低了医院提供最准确以及对患者的有益诊断和治疗的成像技术的能力。

发明内容

本公开的实施例涉及用于推理、高级处理和机器学习的虚拟化计算平台。公开了通过选择、组织和/或适用于局部、本地实现的容器托管应用程序来允许定制的推理或处理管线的系统和方法。在实施例中，可以利用和更新可以在第一设施处训练、更新和/或生成的机器学习模型，以用于特定位置的实现方式以在第二不同设施处执行图像处理和/或推理操作。

与诸如上述的常规系统相反，本公开的系统在最小化本地计算基础设施要求的复杂性的同时加速了推理、成像操作和信息学。例如，可以不断采用适应技术新进步的虚拟计算平台，通过高级诊断和研究来改善患者护理水平。该系统允许在推理和/或图像部署管线中选择、组织和部署容器(托管应用程序的实例)。管线可以被配置用于接收(例如，医学)成像数据，处理数据以及将有意义的和有益的结果输出给从业者。这样，因为管线可以是动态可定制的，所以成像设备、放射学设备、基因测序设备、基因组学设备和/或处理设备的输出可以由虚拟化平台内的最新的最先进的技术所使用，与传统方法相比，以提供准确而有效的结果，同时减少了本地部署的负担。

另外，在各种容器中，机器学习模型可以被部署用于图像推理和训练。与常规系统相比，可以从现有机器学习模型的远程数据库中选择部署的机器学习模型。当这些现有的机器学习模型在各个位置部署和更新时，可以使用众包方法生成更通用的机器学习模型，以简化和加快跨位置的部署。通过在各种位置处本地训练和/或更新机器学习模型，病例的保密性(根据州和联邦法律和法规(例如《健康保险携带与责任法案》(HIPAA))处理和使用患者信息)可以维护，同时可以生成更稳健和准确的机器学习模型。此外，通过提供现有的机器学习模型，可以大大减少局部、本地创建、训练和部署机器学习模型所需的计算资源、费用和时间，并且可以针对它们各自的应用程序更好地优化所得的模型。