[发明专利]训练机器学习算法的方法、机器学习算法和设备复合体

说明书

本发明涉及一种用于训练机器学习算法的方法，方法包括以下步骤提：供具有与医学技术成像系统的安全数据连接和在该数据连接之外在网络中的中央计算装置的训练装置，提供数据接口，所述数据接口设计为用于从所述训练装置将数据发送至所述中央计算装置，创建多个基于图像记录的训练数据集，所述训练数据集分别配备有基本事实或者在数据技术方面与基本事实链接，经由所述安全数据连接将所述训练数据集发送给所述训练装置，借助于所述训练装置借助所述训练数据集训练所述机器学习算法，经由所述数据接口将经训练的所述机器学习算法的参数数据集发送给所述中央计算装置。本发明还涉及相应的机器学习算法、控制装置、成像系统以及设备复合体。

技术领域

本发明涉及一种用于产生经训练的机器学习算法的方法，尤其是一种用于医疗技术领域的训练方法。

背景技术

深度学习算法或机器学习算法(以下也简称为用于“人工智能”的“AI”)广泛使用在医疗技术中。一个常见的医学应用情况在于，从医学图像数据中推导出诊断结果。另一应用情况在于，将AI应用于检测形状和/或患者的位置的传感器，以便能够推导出用于记录图像的适宜的参数，例如用于定位或数据采集。根据现有技术，为此例如借助于3D相机对计算机断层扫描仪(“CT扫描仪”)进行自动等中心化或者进行自动准直以在放射照相学中记录患者的解剖结构。

AI算法需要表示“基本事实”(“Ground Truth”或“Basiswahrheit，基础事实”)大的数据量，神经网络能够对该“基本事实”进行训练。然而在此必须注意：这些海量数据量一方面与数据保护规定相符，而另一方面必须注释，使得其与该基本事实相符。在训练神经网络来确定用于从传感器系统的信号记录图像的理想扫描或定位参数的特殊情况下，这表示：由患者和成像装置的传感器测量的数据理想地可能必须与基本事实一起提供。这例如能够通过监督训练的操作员进行。基本事实通常是用于扫描或位置参数的设定，所述扫描或位置参数由或会由受过培训的操作员选择并且与传感器数据一起被记录。

对于每次训练通常需要数千至数万个患者数据集，以便AI在大于99％的期望的精度范围内工作。

为了快速辅助大量基于AI的工具对医疗技术人员在成像设备的参数设定和定位时进行辅助，在理想情况下期望的是，从每个现有的成像设备中快速收集大量适宜的传感器数据。如果存在，这由于成本和法律边界条件只能非常困难地实际实施。下面列出最严重的问题。

i)收集并且为了训练发送给中央集线器的数据包非常大，尤其是如果在数据中包含图像、传感器数据或者甚至实时流，往往是这种情况。将该数据传输到中央数据处理设施并且在该处存储需要不可忽视的技术耗费和成本，尤其是对于符合法律要求的安全的存储。

ii)许多地区的立法使得记录或存储能够用于辨识患者的数据变得困难或不可行。尤其当数据应发送给供应商的中央数据处理设施以进行进一步处理时如此。为此通常需要患者的同意，这很少发生，并且会显著减慢为所有期望的应用检测足够的数据的过程。此外，对于附加的耗费产生附加的成本。

发明内容

本发明的一个目的是，提出一种替选的、更方便的方法和相应的装置来训练能够机器学习算法，借助其避免上述缺点。

所述目的通过根据本发明的方法、根据本发明的机器学习算法、根据本发明的控制装置、根据本发明的成像系统以及根据本发明的设备复合体来实现。

根据本发明的方法用于训练机器学习算法或者机器学习单元(替选地也简称为“AI”，见上文)，尤其是深度学习算法。通常，机器学习算法的基本架构是已知的，并且能够普遍用于广泛的技术领域。然而，这与以下训练相关：能够实现机器学习算法的何种目的，以及其能够多好地实现该目的。因此，训练基本上定义了特定的机器学习算法。