用于训练评估算法的计算机实现的方法和系统与流程

技术特征：
1.一种计算机实现的方法，所述方法用于进一步训练已经基于基本训练数据进行训练的人工智能评估算法，其中所述评估算法从包括利用相应医学成像设备(35)所记录的图像数据的输入数据中确定描述评估结果的输出数据，所述方法包括以下步骤：
–
确定至少一个附加训练数据集，所述至少一个附加训练数据集包含训练输入数据和与所述训练输入数据对应的训练输出数据，并且
–
通过使用所述至少一个附加训练数据集来训练所述评估算法，其特征在于，在一个医学成像设备(35)中使用了已经训练过的评估算法，从在利用所述医学成像设备(35)进行临床检查过程期间所使用的输入数据和所述已经训练过的评估算法的至少部分在用户侧校正修改过的输出数据中，确定所述附加训练数据集。2.根据权利要求1所述的方法，其特征在于，每当存在新的附加训练数据集时，利用所述附加训练数据集进行所述进一步训练。3.根据权利要求1或2所述的方法，其特征在于，所述进一步训练在分配给所述成像设备(35)的一个运算设备(37)侧、特别是在所述成像设备(35)的一个运算设备(37)侧执行，其中通过一个通信链路(38)将所述进一步训练的评估算法传输给所述评估算法的供应商的一个运算设备(40)，特别是所述成像设备(35)的制造商的一个运算设备(40)。4.根据权利要求1或2所述的方法，其特征在于，通过一个通信链路(38)将所述附加训练数据集和/或用于确定所述附加训练数据集的确定数据传输给所述评估算法的所述供应商的一个运算设备(40)、特别是所述成像设备(35)的所述制造商的一个运算设备(40)，在所述运算设备(40)处进行所述进一步训练。5.根据权利要求4所述的方法，其特征在于，所述附加训练数据集和/或所述确定数据在传输给所述供应商侧的运算设备(40)之前被预处理以进行匿名化。6.根据权利要求5所述的方法，其特征在于，通过定义所述评估算法的至少一个第一层，将所述评估算法的待进一步训练的部分限制为不可更改，其中将已由所述评估算法的所述至少一个第一层处理的原始输入数据确定为训练输入数据并且传输给所述供应商侧的运算设备(40)。7.根据权利要求3至6中任一项所述的方法，其特征在于，所述进一步训练的评估算法在所述供应商侧的运算设备(40)上进行评估之后才被提供，以至少应用在产生所述附加训练数据集的所述成像设备(35)上，特别是应用在使用所述评估算法的所有成像设备(35)上，其中为了在所述供应商侧的运算设备(40)侧进行评估而确定一个评估分数。8.根据前述权利要求中任一项所述的方法，其特征在于，为了选择用于确定附加训练数据集的一个检查过程，
–
选择所述评估算法的输出数据已被用户更改的多个检查过程，和/或，
–
如果所述评估算法输出了描述在确定所述输出数据时的不确定性且对应于所述输出数据的不确定性度量，则当超过所述不确定性度量的不确定性阈值时选择所述检查过程，和/或
–
确定至少所述输入数据与描述对于所述评估算法具有高不确定性和/或故障数的案例类别的预定案例类别输入数据的第一相似性度量，并且当所述相似性度量超过选择阈值时选择所述检查过程。
9.根据权利要求8所述的方法，其特征在于，在对于所选择的检查过程在所述输出数据中尚不存在用户侧的更改时，向至少一个用户发出检验和校正所述输出数据的请求，并且将响应于所述请求而更改的所述输出数据用作训练输出数据。10.根据前述权利要求中任一项所述的方法，其特征在于，为了完成所述附加训练数据集的确定，确定所确定的潜在的附加训练数据集、特别是所述输入数据和特别是用户侧更改的所述输出数据与所述基本训练数据的训练数据集的至少一个第二相似性度量，其中当最大相似性度量低于检验阈值时，将所述潜在的附加训练数据集标记为待由人类专家进行检验，并且为了所述检验而进行存储。11.根据前述权利要求中任一项所述的方法，其特征在于，所述评估算法的前提是通过至少一个预定的重建参数将利用所述成像设备(3)获得的原始数据预定地重建成所述图像数据，其中独立于用户侧的重建而进行所述图像记录设备侧的重建，并且将通过所述预定的重建所确定的图像数据用作训练输入数据。12.根据权利要求1至10中任一项所述的方法，其特征在于，除了在用户侧要求将利用所述成像设备(35)所获得的原始数据重建成用作输入数据的图像数据之外，还至少进一步将所述原始数据预定地重建成另外的图像数据，其中将所述另外的图像数据用作另外的附加训练数据集的训练输入数据，所述另外的附加训练数据集使用与对于使用所述输入数据的附加训练数据集相同的训练输出数据。13.一种训练系统(34)，具有：
–
至少一个医学成像设备(35)，具有分配给所述成像设备(35)的一个运算设备(37)，所述运算设备(37)被设计为执行已基于基本训练数据训练过的所述人工智能评估算法，所述评估算法从包括利用所述医学成像设备(35)所记录的图像数据的输入数据中确定描述评估结果的输出数据，和
–
在所述评估算法的供应商侧设置的一个运算设备(40)，所述运算设备(40)通过一个通信链路(38)与成像设备侧的所述至少一个运算设备(37)连接，其中所述运算设备(37、40)包括：
–
一个确定单元(44)，用于确定至少一个附加训练数据集，所述至少一个附加训练数据集包含训练输入数据和与所述训练输入数据对应的训练输出数据，和
–
一个训练单元(46)，用于通过使用所述至少一个附加训练数据集来训练所述评估算法，其特征在于，在一个医学成像设备(35)中使用了已经训练过的评估算法，所述确定单元(44)被设计为：从在利用所述医学成像设备(35)进行临床检查过程期间所使用的输入数据和所述已经训练过的评估算法的至少部分在用户侧校正修改过的输出数据中，确定所述附加训练数据集。14.一种计算机程序，当所述计算机程序在根据权利要求13所述的训练系统(34)上运行时，执行根据权利要求1至12中任一项所述的方法的步骤。15.一种电子可读数据载体，在所述电子可读数据载体上存储有根据权利要求14所述的计算机程序。

技术总结
本发明涉及一种计算机实现的方法，用于进一步训练已经基于基本训练数据训练过的人工智能评估算法，其中该评估算法从包括利用相应医学成像设备所记录的图像数据的输入数据中确定描述评估结果的输出数据，该方法包括以下步骤：确定至少一个附加训练数据集，其包含训练输入数据和与训练输入数据对应的训练输出数据，并且通过使用该至少一个附加训练数据集来训练评估算法，其中从在利用医学成像设备进行临床检查过程(在该医学成像设备中使用了已经训练过的评估算法)期间所使用的输入数据和已经训练过的评估算法的至少部分在用户侧校正修改过的输出数据中，确定附加训练数据集。确定附加训练数据集。确定附加训练数据集。


技术研发人员：F
受保护的技术使用者：西门子医疗有限公司
技术研发日：2021.05.12
技术公布日：2021/11/19