技术摘要：
本发明提供一种超声影像模型的自训练及自部署系统及方法，涉及深度学习技术领域，包括：数据导入模块，用于将超声影像和关联的临床诊断结果作为标准超声影像数据导入云端服务器；云端服务器，接收标准超声影像数据，根据标准超声影像数据和预先获取的历史训练数据集中  全部
背景技术：
目前人工智能超声影像模型，一般在研发阶段进行模型训练和系数调整，最后进 行部署。但在部署后如果遇到新的特殊数据无法推断，只能重新回到研发阶段再进行模型 训练和系数调整，调整后再进行部署。这里就会产生两个问题：第一，重新训练需要回到研 发阶段进行模型训练和系数调整，那么模型会有会由于人为原因造成错误尚未可知，而且 也无法实时的进行模型的迭代效率低下；第二，传统训练需要遵循按照批次的方式进行再 训练，否则可能让模型无法收敛，所以不能在每次遇到特殊数据后就马上进行调整，必须收 集足够多数据后才能进行再训练和重新部署，这个也不能满足我们对人工智能进行快速迭 代的需求。
技术实现要素：
针对现有技术中存在的问题，本发明提供一种超声影像模型的自训练及自部署系 统，具体包括： 至少一数据导入模块，用于供操作者将包含超声影像和医生根据所述超声影像给 出的临床诊断结果的标准超声影像数据进行导入； 云端服务器，连接所述数据导入模块，所述云端服务器包括： 第一存储模块，用于将预先获取的若干历史超声影像数据作为历史训练数据集进 行保存； 第二存储模块，用于保存根据所述历史训练数据集训练得到的历史超声影像模 型，以及所述历史超声影像模型关联的历史预测损失值； 数据训练模块，分别连接所述第一存储模块和所述第二存储模块，用于在每次接 收到所述标准超声影像数据时，根据所述标准超声影像数据、所述历史训练数据集中的各 所述历史超声影像数据和所述历史预测损失值对所述历史超声影像模型进行模型再训练 得到当前超声影像模型，并计算所述当前超声影像模型的当前预测损失值； 模型部署模块，分别连接所述第二存储模块、所述数据训练模块和一第三存储模 块，用于将所述当前超声影像模型及所述当前预测损失值备份至所述第二存储模块，以对 所述第二存储模块进行更新，并将所述当前超声影像模型部署至所述第三存储模块以供后 续模型推断使用。 优选的，还包括一第四存储模块，分别连接所述第二存储模块、所述数据训练模块 和所述第三存储模块，所述第四存储模块包括： 第一存储单元，用于实时保存所述数据训练模块在训练过程中生成的训练日志， 以供后续查阅；和/或 5 CN 111584045 A 说　明　书 2/7 页 第二存储单元，用于实时保存所述第二存储模块和所述第三存储模块在更新及模 型部署时生成的更新日志，以供后续查阅。 优选的，所述第四存储模块还包括一第三存储单元，用于在使用所述第三存储模 块中当前部署的超声影像模型进行推理的过程中，计算并记录所述超声影像模型的历史推 理成功率。 优选的，还包括一应用端，连接所述云端服务器，用于根据所述第三存储模块中当 前部署的所述超声影像模型和所述历史推理成功率对一待推断超声影像数据进行推断，得 到当前推断结果以及当前推断成功率，并将所述当前推断成功率发送至所述云端服务器进 行保存，以对所述第三存储单元进行更新； 医生根据所述当前推断成功率决定是否使用所述当前推断结果。 优选的，所述数据训练模块具体包括： 数据接收单元，用于接收导入的所述标准超声影像数据； 数据训练单元，连接所述数据接收单元，用于由所述历史训练数据集中分批提取 所述历史超声影像数据并加入一当前训练数据集，在每次提取所述历史超声影像数据时将 所述标准超声影像数据加入所述当前训练数据集，根据所述当前训练数据集训练得到更新 超声影像模型，并计算所述更新超声影像模型关联的更新预测损失值； 第一比较单元，连接所述数据训练单元，用于将所述更新预测损失值与所述历史 预测损失值进行比较，并在所述更新预测损失值不小于所述历史预测损失值时输出第一比 较结果，以及在所述更新预测损失值小于所述历史预测损失值时，将所述更新超声影像模 型作为所述当前超声影像模型，将所述标准超声影像数据保存至所述历史训练数据集中， 并将所述更新预测损失值作为所述当前预测损失值输出； 第二比较单元，连接所述第一比较单元，用于根据所述第一比较结果统计所述当 前训练数据集中的所述历史超声影像数据的当前数量，并将所述当前数量与所述历史训练 数据集中的所述历史超声影像数据的总数量进行比较，在所述当前数量小于所述总数量 时，继续提取下一批所述历史超声影像数据进行训练，以及 在所述当前数量不小于所述总数量时，将所述历史超声影像模型作为所述当前超 声影像模型，舍弃所述标准超声影像数据，并将所述历史预测损失值作为所述当前损失值 输出。 一种超声影像模型的自训练及自部署方法，应用以上任意一项所述的人工智能超 声影像模型的自适应部署系统，所述云端服务器中保存有预先获取的若干历史超声影像数 据作为历史训练数据集，根据所述历史训练数据集训练得到的所述历史超声影像模型，以 及所述历史超声影像模型关联的历史预测损失值； 则所述自训练及自部署方法具体包括以下步骤： 步骤S1，所述云端服务器在每次接收到外部导入的包含包含超声影像和医生根据 所述超声影像给出的临床诊断结果的标准超声影像数据时，根据所述标准超声影像数据和 所述历史训练数据集中的各所述历史超声影像数据训练得到当前超声影像模型，并计算所 述当前超声影像模型的当前预测损失值； 步骤S2，所述云端服务器将所述当前超声影像模型及所述当前预测损失值进行备 份，并部署所述当前超声影像模型以供后续模型推断使用。 6 CN 111584045 A 说　明　书 3/7 页 优选的，所述步骤S1具体包括： 步骤S11，所述云端服务器接收外部导入的所述标准超声影像数据，并将所述标准 超声影像数据和由所述历史训练数据集中提取的若干所述历史超声影像数据加入一当前 训练数据集； 步骤S12，所述云端服务器根据所述当前训练数据集训练得到更新超声影像模型， 并计算得到所述更新超声影像模型关联的更新预测损失值； 步骤S13，所述云端服务器将所述更新预测损失值与所述历史预测损失值进行比 较： 若所述更新预测损失值小于所述历史预测损失值，则将所述更新超声影像模型作 为所述当前超声影像模型，将所述标准超声影像数据保存至所述历史训练数据集中，并将 所述更新预测损失值作为所述当前预测损失值输出，随后转向步骤S2； 若所述更新预测损失值不小于所述历史预测损失值，则转向步骤S14； 步骤S14，所述云端服务器统计所述当前训练数据集中的所述历史超声影像数据 的当前数量，并将所述当前数量与所述历史训练数据集中的所述历史超声影像数据的总数 量进行比较： 若所述当前数量小于所述总数量，则继续由所述历史训练数据集中提取若干所述 历史超声影像数据加入所述当前训练数据集，以扩充所述当前训练数据集，随后返回所述 步骤S12； 若所述当前数量不小于所述总数量，则将所述历史超声影像模型作为所述当前超 声影像模型，舍弃所述标准超声影像数据，并将所述历史预测损失值作为所述当前损失值 输出。 优选的，还包括日志存储的过程，具体包括： 实时保存所述数据训练模块在训练过程中生成的训练日志，以供后续查阅；和/或 实时保存所述当前超声影像模型的更新及模型部署时生成的更新日志，以供后续 查阅。 上述技术方案具有如下优点或有益效果：能够实现超声影像模型的自训练和自部 署，无需人工参与，能够实现人工智能快速迭代，有效提升用户的使用体验。 附图说明 图1为本发明的较佳的实施例中，一种超声影像模型的自训练及自部署系统的结 构示意图； 图2为本发明的较佳的实施例中，一种超声影像模型的自训练及自部署方法的流 程示意图； 图3为本发明的较佳的实施例中，模型训练的方法流程图。