图像和数据分析模型兼容性调节方法技术

一种用于成像应用的计算机化的模型兼容性调节方法首先由计算部件使用至少一个图像X和目标域B图像分析来执行目标域B应用以生成用于X的目标域B应用输出。该方法然后由计算部件应用参考域A应用以生成用于X的参考域A应用输出。该方法还执行兼容性评估以生成用于X的至少一个兼容性结果。此外，该方法检查用于X的兼容性结果，并且如果检查输出为不兼容，那么该方法执行在线校正以生成用于X的经校正的应用输出。用输出。用输出。

【技术实现步骤摘要】
【国外来华专利技术】图像和数据分析模型兼容性调节方法
[0001]关于在联邦政府资助的研究和开发下做出的专利技术的权利声明
[0002]这项工作得到了美国国家神经疾病和中风研究所授予的美国政府拨款编号5R44NS097094
‑
04、国家心理健康研究所授予的拨款编号1R44MH121167
‑
01和国家综合医学科学研究所授予的拨款编号1U44GM136091
‑
01的部分支持。美国政府可以对本专利技术享有某些权利。


[0003]本专利技术涉及机器学习和深度学习模型应用。更特别地，本专利技术涉及用于有效部署用于成像和数据处理应用的图像和数据分析的模型兼容性调节的计算机化的方法。

技术介绍

[0004]a.对激发专利技术的问题的描述
[0005]图像和数据处理应用覆盖广泛的能力，诸如语音识别、决策支持、自动化、交易、图像增强、复原、边界分割、物体检测、特征测量、模式识别和计算机视觉等。由于新一代计算硬件、存储、人工智能(AI)软件和传感器技术，这些领域正在经历着前所未有的增长。如今，将数据流和处理算法嵌入到用于目标应用的解决方案管道中的图像和数据分析可以在诸如制造、电子、汽车、航空航天、生物医学研究、临床前和临床诊断/治疗、药物发现/发展和制药、媒体、通信、银行等广泛行业中找到。
[0006]机器学习(ML)，特别是深度学习(DL)，是一种最近受到广泛关注的AI。这种突然的增长主要是由卷积神经网络(CNN)(一种新颖的机器学习算法体系架构)的专利技术以及功能强大且相对便宜的计算单元(诸如GPU、TPU)的可用性推动的。CNN已被证明特别适合成像和数据处理应用。最近，越来越多的研究使用CNN来分析图像和数据流，为图像和数据处理应用的执行方式以及图像和数据的解释方式的根本改变奠定了基础。AI已被应用的领域包括语音识别、AI驱动的预测、欺诈预防、信用决策、语音转文本、图像复原(诸如去噪和分辨率增强)、从无标签显微镜成像中提取结构(即，虚拟染色和显微镜/生物/医学图像的自动、准确分类和分割)、延时图像的跟踪等。许多新一代图像和数据分析都结合了用于复杂应用的DL模型。因此，它们的行为不仅受分析中指定的规则的支配，而且还受从数据中学习的模型行为的支配。更复杂的是，数据输入可能是不稳定的，可能随时间改变。
[0007]开发和部署ML模型相对快速且成本低廉，但随着时间的推移在现场维护它们可能既困难又昂贵。生产图像和数据分析，尤其是那些结合ML模型的分析，要求持续监视以确保模型应用结果在部署中是正确的。有效监视是持续系统维护、更新、审计和配置改变以实现成功部署和客户满意度的先决条件。重要的是要知道图像和数据分析及其模型是否在持续的基础上按预期运行。检测输入数据与图像和数据分析的训练数据之间的不兼容性也是重要的。兼容性监视应当被设计为对生产图像和数据分析(诸如数据歪斜、模型陈旧等)可能出错的无数事情提供早期警告。此外，非常期望即使对于单个图像(数据点)，也可以检测到不兼容性，并且不兼容性情况可以在线自行校正。即，即使在不兼容的情况下也能生成正确
的结果。
[0008]b.现有技术如何解决问题？
[0009]当用户反馈或真实标签可用时，兼容性监视是直截了当的。在那些情况下，可以使用诸如精度、召回率或AUC之类的标准度量来跟踪和周期性重新评价图像和数据分析性能。但是在许多应用中，标签的获取是昂贵的(要求人工分析师的人工审核)或无法及时获取标签。在这种情况下，变得难以有效地监视学习到的模型的内部行为的正确性，但输入数据应当更加透明。因此，分析和比较数据集是检测世界正在以可能混淆ML模型的方式变化的问题的第一道防线。
[0010]现有技术方法监视模型输入和输出以寻找任何超出模型既定规范的东西。目的是识别ML模型行为中与预期相冲突的变化。给定输入图像或模型输出的预期特征值的集合，现有技术方法检查a)输入值落在允许的集合(对于分类输入)或范围(对于数字输入)和b)集合中每个相应值的频率与过去看到的值一致。通过将训练数据中变量的分布与用于那些变量的生产中看到的分布进行比较来执行检查。
[0011]可以使用诸如中值、均值、标准偏差、最大值/最小值之类的基本统计数据自动执行比较。例如，测试均值是否在均值区间的标准误差内。先前的方法还通过全面的统计测试执行自组织手动测试，以比较变量的分布。根据变量特点执行不同的测试。如果变量呈正态分布，那么执行标准测试，诸如t测试或ANOVA。如果不是，那么使用如Kruskal Wallis或Kolmogorov Smirnov的非参数化测试。
[0012]一些现有技术方法借鉴用于时间序列分解的信号处理技术，其中时间序列可以被用于表示不同类型输入数据的模型输出序列，或连续模型运行之间的偏差的量。该方法计算已识别出的异常之间的互相关性，以促进模型行为的根本原因分析。
[0013]对复杂的真实世界ML应用执行QA具有挑战性，因为ML模型失败的原因多种多样，而且是在部署之前未知的原因。因此，专注于从训练和验证度量导出的标准和变量的现有技术方法在不属于训练和验证集的部分的大量部署数据上仍然会失败。此外，现有技术方法依赖于无法检测单个输入异常的变量分布的汇总统计。用于比较的输入/输出变量以自组织方式确定。此外，这些变量与图像和数据应用模型的内在行为稍微相关。而且，当检测到异常时，它们无法立即(在线)校正受影响输入的不兼容性。

技术实现思路

[0014]a.本专利技术的目的/优点
[0015]本专利技术的调节方法不仅监视数据分析模型的兼容性，而且还在线校正不兼容性。这要求对单个异常的检测灵敏度和调整不兼容数据以匹配模型的方法。本专利技术的主要目的是提供一种通过自参考执行异常检测的图像和数据分析模型兼容性调节方法。本专利技术的次要目的是提供一种可以检测单个异常的图像和数据分析模型兼容性调节方法。本专利技术的第三个目的是提供一种可以执行在线校正的图像和数据分析模型兼容性调节方法。本专利技术的第四个目的是提供一种基于预训练的应用优化的内部表示来执行异常检测的图像和数据分析模型兼容性调节方法。本专利技术的第五个目的是提供一种能够检测数据歪斜和模型陈旧趋势的图像和数据分析模型兼容性调节方法。
[0016]b.本专利技术如何解决问题？
[0017]本专利技术将输入从源域转换到至少一个参考域并生成用于每个参考域的经转换的图像和数据分析。将图像和数据分析应用于源输入的结果预期与将域转换的图像和数据分析应用于域转换的输入的结果相同或相似。参考域转换和结果比较允许自参考，而无需为单个输入显式标注和真实创建输出。因此，可以对单个输入而不是基于群体执行比较。即，异常(不兼容性)检测灵敏度降到单个异常。
[0018]域转换是通过将来自源域的输入日期编码为应用优化的内部表示，然后通过经训练的域生成器从内部表示解码为期望的参考域来执行的。应用优化的内部表示是通过训练而不是自组织变量定义生成的。而且，解码器和生成器也经过训练。当检测到异常时，可以在线训练专门针对新颖域的新的域转换器，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于成像应用的计算机化的模型兼容性调节方法，所述方法包括以下步骤：a)将至少一个图像X和目标域B图像分析输入电子存储部件；b)由计算部件使用所述至少一个图像X和所述目标域B图像分析来执行目标域B应用以生成用于X的目标域B应用输出；c)由计算部件使用所述至少一个图像X执行参考域A应用以生成用于X的参考域A应用输出；以及d)由计算部件使用用于X的所述目标域B应用输出和用于X的所述参考域A应用输出执行兼容性评估以生成用于X的至少一个兼容性结果。2.如权利要求1所述的计算机化的模型兼容性调节方法，其中所述参考域A应用是通过域转换参考方法执行的。3.如前述权利要求中的任一项所述的计算机化的模型兼容性调节方法，其中用于X的所述兼容性结果包括至少一个差异度量。4.如前述权利要求中的任一项所述的计算机化的模型兼容性调节方法，还包括以下步骤：e)使用用于X的所述至少一个兼容性结果执行检查以生成兼容或不兼容的输出；以及f)如果检查输出是不兼容的，那么执行在线校正以生成用于X的经校正的应用输出。5.如前述权利要求中的任一项所述的计算机化的模型兼容性调节方法，其中所述域转换参考方法包括B到A域转换步骤和域A应用步骤。6.如权利要求5所述的计算机化的模型兼容性调节方法，其中所述B到A域转换步骤使用B到A域转换器来生成经转换的域A图像X
’
，并且所述域A应用步骤使用经转换的域A图像分析和所述经转换的域A图像X
’
以生成用于X
’
的域A应用输出，用于X
’
的所述域A应用输出是用于X的所述参考域A应用输出。7.如权利要求6所述的计算机化的模型兼容性调节方法，其中通过使用所述目标域B图像分析、多个域B训练数据和至少一个域A图像执行B到A域转换器训练来生成所述B到A域转换器。8.如权利要求6或7所述的计算机化的模型兼容性调节方法，其中通过使用多个域B训练数据和所述B到A域转换器执行B到A图像分析转换训练来生成所述经转换的域A图像分析。9.如前述权利要求中的任一项所述的计算机化的模型兼容性调节方法，其中所述在线校正步骤训练并应用新的域转换器来转换所述至少一个图像X以匹配目标域B。10.一种用于成像应用的计算机化的多参考模型兼容性调节方法，所述方法包括以下步骤：a)将至少一个图像X和目标域B分析输入电子存储部件；b)由计算部件使用所述至少一个图像X和所述目标域B图像分析来执行目标域B应用以生成用于X的目标域B应用输出；c)由计算部件使用所述至少一个图像X执行多个参考域Ai应用以生成用于X的多个参考域Ai应用输出；以及d)由计算部件使用用于X的所述目标域B应用输出和用于X的所述多个参考域Ai应用输出执行兼容性评估以生成用于X的至少一个兼容性结果。
11.如权利要求10所述的计算机化的多参考模型兼容性调节方法，其中所述多个参考域Ai应用由多个域转换参考方法执行。12.如权利要求10
‑
11中的任一项所述的计算机化的多参考模型兼容性调节方法，其中用于X的所述兼容性结果包括至少一个差异度量。13.如权利要求10
‑
12中的任一项所述的计算机化的多参考模型兼容性调节方法，还包括以下步骤：e)使用用于X的所述至少一个兼容性结果执行检查以生成兼容或不兼容的输出；以及f)如果检查输出是不兼容的，那么执行在线校正，以生成用于X的经校正的应用输出。14.如权利要求10
‑
13中的任一项所述的计算机化的多参考模型兼容性调节方法，其中所述域转换参考方法中的每个域转换参考方法包括B到Ai域转换步骤和域Ai应用步骤。15.如权利要求14所述的计算机化的多参考模型兼容性调节方法，其中所述B到Ai域转换步骤使用B到Ai域转换器以生成经转换的域A图像Xi，并且所述域Ai应用步骤使用经转换的域Ai图像分析和所述经转换的域A图像Xi以生成用于Xi的域Ai应用输出，用于Xi的所述域Ai应用输出是用于X的所述参考域Ai应用输出。16.如权利要求15所述的计算机化的多参考模型兼容性调节方法，其中通过使用所述目标域B图像分析、多个域B训练数据和至少一个域Ai图像执行B到Ai域转换器训练来生成所述B到Ai域转换器。17.如权利要求15或16所述的计算机化的多参考模型兼容性调节方法，其中通过使用多个域B训练数据和所述B到Ai域转换器执行B到Ai图像分析转换训练来生成所述经转换的域Ai图像分析。18.如...

【专利技术属性】
技术研发人员：史宗，
申请(专利权)人：莱卡微系统CMS有限责任公司，
类型：发明
国别省市：