超声设备的加载方法、超声设备及存储介质与流程

本发明涉及超声设备，具体地，涉及一种超声设备的加载方法、超声设备、存储介质以及计算机程序产品。

背景技术：

1、随着技术的发展，深度学习模型越来越多的应用于医学的各个方面。例如通过利用深度学习模型，可以增强超声设备的功能，超声设备的功能类型也随之越来越多。超声设备在实际使用过程中，可以根据用户对于医疗诊断的需求，调用相应的深度学习模型进行超声成像。

2、每个功能会具有对应的深度学习模型，由此对于不同功能需要运行不同组合的深度学习模型。例如对于心脏和肝脏进行超声成像时，需要分别选择不同的功能，以调用对应的深度学习模型进行超声成像。

3、每个深度学习模型需要占用超声设备的显存资源，而显存资源有限，若不合理地加载深度学习模型，会降低超声设备的超声成像效率。而如果每次都加载所有的深度学习模型，用户每次切换一个功能时等待较久的时间体验极差。

技术实现思路

1、考虑到上述问题而提出了本发明。

2、根据本发明第一方面，提供了一种超声设备的加载方法。所述方法包括：响应于用户的第一选择操作，确定已选择的选项，其中，所有选项组织为层级架构，在所有选项中存在至少一个第一选项，每个第一选项的下一级选项的个数大于1；对于每个模型，根据所述已选择的选项和该模型相关的所有选项中的相同选项，确定该模型的评估参数，其中，在所有模型中存在多个第一模型，至少两个第一模型各自相关的所有选项中分别包括同一个第一选项的不同下一级选项，每个评估参数分别对应于该模型相关的所有选项各自所处的层级；对于每个模型，根据该模型的评估参数，确定该模型的优先级；加载所述优先级最高的至少一个模型。

3、示例性地，所述加载所述优先级最高的至少一个模型，包括：根据所述优先级的由高到低的顺序，累加模型所需的缓存空间，直至累加的总和大于或等于第一空间阈值；当累加总和大于所述第一空间阈值时，加载已累加缓存空间的模型中除最后一个模型以外的模型；当累加总和等于所述第一空间阈值时，加载所有已累加缓存空间的模型。

4、示例性地，所述根据所述已选择的选项和该模型相关的所有选项中的相同选项，确定该模型的评估参数，包括：根据所述已选择的选项和该模型相关的、处于第一层级的选项中的相同选项，确定该模型的、对应各个第一层级的评估参数，其中，所述第一层级包括已选择的选项各自所处的层级，对于第一层级中的每个层级，当该模型相关的、处于该层级的选项中不包括任意已选择的选项时，确定该模型的、对应该层级的评估参数为0。

5、示例性地，所述确定该模型的评估参数还根据该模型相关的所有选项中的、未选择的选项。

6、示例性地，所述方法还包括：响应于用户的第一选择操作，更新已选择的选项，并根据更新后的选项更新已加载的模型。

7、示例性地，所述根据更新后的选项更新已加载的模型，包括：根据所述更新后的选项，在所有模型中确定当前优先级最高的至少一个模型；当所确定的模型和所述已加载的模型不同时，将所述已加载的模型中的、和所述所确定的模型不同的模型卸载；基于所述已加载的模型中的、未卸载的模型，加载所述所确定的模型中的、所述未卸载的模型以外的模型。

8、示例性地，所述方法还包括：确定每个层级的权重系数，其中，上一层级的权重系数大于或等于下一层级的权重系数，所述确定该模型的评估参数还根据所述权重系数。

9、示例性地，所述确定每个层级的权重系数，包括：获取多模态数据，所述多模态数据包括受检者的生理数据、所述已选择的选项、所述超声设备的运行状态和/或用户身份信息；将所述多模态数据输入深度学习模型，以输出每个层级的权重系数的概率分布；根据所述概率分布，确定每个层级的权重系数。

10、示例性地，所述确定该模型的评估参数还根据预设时段内该模型相关的选项的被选择频率。

11、示例性地，所述方法还包括：响应于用户的第一选择操作，更新所述被选择频率。

12、根据本发明第二方面，还提供了一种超声设备的加载装置，包括：

13、选项确定模块，用于响应于用户的第一选择操作，确定已选择的选项，其中，所有选项组织为层级架构，在所有选项中存在至少一个第一选项，每个第一选项的下一级选项的个数大于1；

14、评估模块，用于对于每个模型，根据所述已选择的选项和该模型相关的所有选项中的相同选项，确定该模型的评估参数，其中，在所有模型中存在多个第一模型，至少两个第一模型各自相关的所有选项中分别包括同一个第一选项的不同下一级选项，每个评估参数分别对应于该模型相关的所有选项各自所处的层级；

15、优先级确定模块，用于对于每个模型，根据该模型的评估参数，确定该模型的优先级；

16、加载模块，用于加载所述优先级最高的至少一个模型。

17、根据本发明第三方面，还提供了一种超声设备，包括：处理器和存储器，其中，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器运行时用于执行上述的超声设备的加载方法。

18、根据本发明第四方面，还提供了一种存储介质，在所述存储介质上存储了程序指令，所述程序指令在运行时用于执行上述的超声设备的加载方法。

19、根据本发明第五方面，还提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令在运行时用于执行上述的超声设备的加载方法。

20、上述技术方案中，响应于用户的第一选择操作，确定已选择的选项，其中，所有选项组织为层级架构，在所有选项中存在至少一个第一选项，每个第一选项的下一级选项的个数大于1。之后对于每个模型，根据已选择的选项和该模型相关的所有选项中的相同选项，确定该模型的评估参数，其中，在所有模型中存在多个第一模型，至少两个第一模型各自相关的所有选项中分别包括同一个第一选项的不同下一级选项，每个评估参数分别对应于该模型相关的所有选项各自所处的层级。然后对于每个模型，根据该模型的评估参数，确定该模型的优先级。最后加载优先级最高的至少一个模型。根据用户选择的选项分析模型的性能，并选出更利于已选择的选项的模型进行加载，从而可以提高超声设备的运行效率，优化用户体验。

21、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

1.一种超声设备的加载方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述加载所述优先级最高的至少一个模型，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据所述已选择的选项和该模型相关的所有选项中的相同选项，确定该模型的评估参数，包括：

4.根据权利要求1所述的方法，其特征在于，所述确定该模型的评估参数还根据该模型相关的所有选项中的、未选择的选项。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

6.根据权利要求5所述的方法，其特征在于，所述根据更新后的选项更新已加载的模型，包括：

7.根据权利要求8所述的方法，其特征在于，所述方法还包括：

8.根据权利要求7所述的方法，其特征在于，所述确定每个层级的权重系数，包括：

9.根据权利要求1-8任一项所述的方法，其特征在于，所述确定该模型的评估参数还根据预设时段内该模型相关的选项的被选择频率。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

11.一种超声设备，包括处理器和存储器，其特征在于，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器运行时用于执行如权利要求1至10任一项所述的超声设备的加载方法。

12.一种存储介质，在所述存储介质上存储了程序指令，其特征在于，所述程序指令在运行时用于执行如权利要求1至10任一项所述的超声设备的加载方法。

13.一种计算机程序产品，包括计算机程序指令，其特征在于，所述计算机程序指令在运行时用于执行如权利要求1至10任一项所述的超声设备的加载方法。