[发明专利]一种超声人工智能模型的自训练系统

说明书

本发明提供一种超声人工智能模型的自训练系统，涉及模型自训练技术领域，包括：超声扫查设备，内部集成有出厂人工智能模型；自训练系统，用于供医院工作人员输入超声扫查设备扫查得到的多个本地医学图像进行标注得到的多个医学标注图像；保存出厂人工智能模型对应的出厂模型网络和预先配置的多个模型网络；根据医院工作人员输入的模型构建指令调用各模型网络对出厂模型网络进行更新得到更新后模型网络，并根据各医学标注图像对更新后模型网络进行训练得到优化模型；将优化模型配置至对应的超声扫查设备中以替换出厂人工智能模型。有益效果是医院工作人员能够方便地基于本地医学图像训练出符合医院个性化需求且精度较高的人工智能模型。

技术领域

本发明涉及模型自训练技术领域，尤其涉及一种超声人工智能模型的自训练系统。

背景技术

超声是基层最常用的一种检查设备。相较于CT、X射线等检测方法，超声诊断具有实时扫查、无创、无辐射，价格较低等特点，并且可移动，扫查方式灵活。随着AI技术的飞速发展，AI数据分析以及深度学习技术也在向推动医疗设备更智能、更精准努力。

现有技术中，一般是某个超声相关的AI功能作为超声设备的一个功能，直接提供给医院使用，无法解决不同地区医院，不同病人分布的医院，在使用同一个超声AI模型时，识别准确度有高有低的问题。由于医院无法自定义或者修改AI功能的相关参数，或者基于自己医院扫查的超声图像，重新训练AI模型或优化AI模型，在出现模型识别准确度较低时，需要等待提供AI模型的设备厂商进行优化。但当设备厂商优化自己提供的AI模型时，首先无法获得各个医院的超声图像，其次是即使获得了很多个不同医院扫查的超声图像，也无法有效的训练出一个对所有医院都较好适用的AI模型，同时医院等待设备厂商提供优化的AI模型的时间较长，降低了设备AI功能的使用的效率，进而降低了设备的使用价值。

发明内容

针对现有技术中存在的问题，本发明提供一种超声人工智能模型的自训练系统，包括：

超声扫查设备，所述超声扫查设备内部集成有一出厂人工智能模型；

自训练系统，连接所述超声扫查设备，所述自训练系统包括：

至少一数据输入端口，用于供医院工作人员输入基于对应的所述超声扫查设备扫查得到的多个本地医学图像进行标注对应得到的多个医学标注图像，并将各所述医学标注图像作为训练样本保存至一第一存储模块；

第二存储模块，用于保存所述出厂人工智能模型对应的出厂模型网络和预先配置的多个模型网络；

模型训练模块，分别连接所述第一存储模块和所述第二存储模块，用于根据所述医院工作人员输入的模型构建指令调用各所述模型网络对所述出厂模型网络进行更新得到更新后模型网络，并根据各所述医学标注图像对所述更新后模型网络进行训练得到优化模型；

至少一模型配置端口，连接所述模型训练模块，用于将所述优化模型配置至对应的所述超声扫查设备中，以替换所述出厂人工智能模型。

优选的，所述自训练系统还包括一图像处理模块，分别连接所述数据输入端口和所述第一存储模块，所述图像处理模块提供有多项图像处理服务，以供对各所述医学标注图像进行训练前处理，并将训练前处理后的各所述医学标注图像作为所述训练样本保存至所述第一存储模块。

优选的，所述模型网络包括多个基本模型网络以及多个模型子网络；

则所述模型训练模块根据所述模型构建指令调用任一所述基本模型网络，并调用各所述模型子网络以调用的所述基本模型网络为基础网络构建形成所述更新后模型网络；

或所述模型训练模块根据所述模型构建指令调用各所述模型子网络，并以所述出厂模型网络为基础网络构建形成所述更新后模型网络。

优选的，所述自训练系统还包括一可视化窗口，连接所述模型训练模块，用于为所述更新后模型网络的构建过程提供可视化操作界面。