DISTRIBUTED CLINICAL WORKFLOW TRAINING OF DEEP LEARNING NEURAL NETWORKS

• Main Authors: MASOUD, Osama, SCHRECK, Oliver
• Format: Patent
• Language: English; French
• Published: 31.05.2018
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; HANDLING RECORD CARRIERS; IMAGE DATA PROCESSING OR GENERATION, IN GENERAL; PHYSICS; PRESENTATION OF DATA; RECOGNITION OF DATA; RECORD CARRIERS

Techniques for training a deep neural network from user interaction workflow activities occurring among distributed computing devices are disclosed herein. In an example, processing of input data (such as input medical imaging data) is performed at a client computing device with the execution of an algorithm of a deep neural network. A set of updated training parameters are generated to update the algorithm of the deep neural network, based on user interaction activities (such as user acceptance and user modification in a graphical user interface) that occur with the results of the executed algorithm. The generation and collection of the updated training parameters at a server, received from a plurality of distributed client sites, can be used to refine, improve, and train the algorithm of the deep neural network for subsequent processing and execution. L'invention concerne des Techniques d'apprentissage d'un réseau neuronal profond à partir d'activités de flux de travail d'interaction d'utilisateur se produisant parmi des dispositifs informatiques distribués. Dans un exemple, le traitement de données d'entrée (telles que des données d'imagerie médicale d'entrée) est effectué au niveau d'un dispositif informatique client avec l'exécution d'un algorithme d'un réseau neuronal profond. L'invention concerne un ensemble de paramètres d'apprentissage mis à jour est généré pour mettre à jour l'algorithme du réseau neuronal profond, sur la base d'activités d'interaction d'utilisateur (telles que l'acceptation d'utilisateur et la modification d'utilisateur dans une interface utilisateur graphique) qui se produisent avec les résultats de l'algorithme exécuté. La génération et la collecte des paramètres d'apprentissage mis à jour au niveau d'un serveur, reçues en provenance d'une pluralité de sites clients distribués, peut être utilisé pour affiner, améliorer et entraîner l'algorithme du réseau neuronal profond pour un traitement et une exécution ultérieurs.