本公開涉及醫療影像，尤其涉及一種病灶識別模型的部署方法、病灶識別方法、系統及設備。

背景技術：

1、醫學圖像是反映人體內部結構的圖像，是現代醫療診斷的主要依據之一。對醫學圖像進行病灶識別已經從人工識別逐步演進到模型智能識別的階段，現有技術中通常使用c++(一種計算機語言)深度學習框架或者python(一種計算機語言)深度學習框架對病灶識別模型進行部署，但是，該方式存在推理時間久、占用內存大等問題。

技術實現思路

1、本公開要解決的技術問題是為了克服現有技術中采用c++深度學習框架或者python深度學習框架對病灶識別模型進行部署，導致模型推理時間久、占用內存大的缺陷，提供一種病灶識別模型的部署方法、病灶識別方法、系統及設備。

2、本公開是通過下述技術方案來解決上述技術問題：

3、本公開提供一種病灶識別模型的部署方法，所述部署方法包括：

4、獲取病灶識別模型；

5、導出所述病灶識別模型的模型參數；

6、基于所述模型參數，在tensorrt(一種推理框架)平臺中構建所述病灶識別模型的目標推理引擎。

7、較佳地，所述基于所述模型參數，在tensorrt平臺中構建所述病灶識別模型的目標推理引擎的步驟包括：

8、在所述tensorrt平臺中搭建所述病灶識別模型的初始網絡結構；

9、將所述模型參數導入所述初始網絡結構，得到目標網絡結構；

10、基于所述目標網絡結構和引擎配置參數，構建所述目標推理引擎。

11、較佳地，所述引擎配置參數包括模型參數類型、工作空間大小、批量大小中的至少一種。

12、較佳地，所述將所述模型參數導入所述初始網絡結構，得到目標網絡結構的步驟之后還包括：

13、合并所述目標網絡結構中的卷積層和歸一化層，或，刪除所述目標網絡結構中的所述卷積層、所述歸一化層和激活層，更新得到新的目標網絡結構。

14、較佳地，所述基于所述模型參數，在tensorrt平臺中構建所述病灶識別模型的目標推理引擎的步驟之后還包括：

15、將所述目標推理引擎序列化，得到目標二進制數據；

16、保存所述目標二進制數據。

17、本公開還提供一種病灶識別方法，所述病灶識別方法包括：

18、獲取目標醫療影像；

19、將所述目標醫療影像輸入所述目標推理引擎，輸出病灶識別結果；

20、其中，所述目標推理引擎基于上述的病灶識別模型的部署方法得到。

21、較佳地，所述將所述目標醫療影像輸入所述目標推理引擎，輸出病灶識別結果的步驟之后還包括：

22、對所述病灶識別結果進行連通域分析，剔除所述病灶識別結果中小于預設連通范圍的連通域，更新得到新的所述病灶識別結果。

23、本公開還提供一種病灶識別模型的部署系統，所述部署系統包括：

24、模型獲取模塊，用于獲取病灶識別模型；

25、參數導出模塊，用于導出所述病灶識別模型的模型參數；

26、引擎構建模塊，用于基于所述模型參數，在tensorrt平臺中構建所述病灶識別模型的目標推理引擎。

27、較佳地，所述引擎構建模塊包括：

28、初始網絡搭建單元，用于在所述tensorrt平臺中搭建所述病灶識別模型的初始網絡結構；

29、目標網絡搭建單元，用于將所述模型參數導入所述初始網絡結構，得到目標網絡結構；

30、引擎構建單元，用于基于所述目標網絡結構和引擎配置參數，構建所述目標推理引擎。

31、較佳地，所述引擎配置參數包括模型參數類型、工作空間大小、批量大小中的至少一種。

32、較佳地，所述引擎構建模塊還包括：

33、更新單元，用于合并所述目標網絡結構中的卷積層和歸一化層，或，刪除所述目標網絡結構中的所述卷積層、所述歸一化層和激活層，更新得到新的目標網絡結構。

34、較佳地，所述部署系統還包括：

35、序列化模塊，用于將所述目標推理引擎序列化，得到目標二進制數據；

36、數據保存模塊，用于保存所述目標二進制數據。

37、本公開還提供一種病灶識別系統，所述病灶識別系統包括：

38、影像獲取模塊，用于獲取目標醫療影像；

39、結果輸出模塊，用于將所述目標醫療影像輸入所述目標推理引擎，輸出病灶識別結果；

40、其中，所述目標推理引擎基于上述的病灶識別模型的部署系統得到。

41、較佳地，所述病灶識別系統還包括：

42、結果更新模塊，用于對所述病灶識別結果進行連通域分析，剔除所述病灶識別結果中小于預設連通范圍的連通域，更新得到新的所述病灶識別結果。

43、本公開還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并用于在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述的病灶識別模型的部署方法和/或病灶識別方法。

44、本公開還提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述的病灶識別模型的部署方法和/或病灶識別方法。

45、在符合本領域常識的基礎上，各優選條件，可任意組合，即得本公開各較佳實施例。

46、本公開的積極進步效果在于：基于tensorrt對病灶識別模型進行部署，加快病灶識別模型的推理速度，提高醫學圖像病灶識別的效率，同時還能夠有效減少內存消耗。

技術特征：

1.一種病灶識別模型的部署方法，其特征在于，所述部署方法包括：

2.如權利要求1所述的病灶識別模型的部署方法，其特征在于，所述基于所述模型參數，在tensorrt平臺中構建所述病灶識別模型的目標推理引擎的步驟包括：

3.如權利要求2所述的病灶識別模型的部署方法，其特征在于，所述引擎配置參數包括模型參數類型、工作空間大小、批量大小中的至少一種。

4.如權利要求3所述的病灶識別模型的部署方法，其特征在于，所述將所述模型參數導入所述初始網絡結構，得到目標網絡結構的步驟之后還包括：

5.如權利要求1所述的病灶識別模型的部署方法，其特征在于，所述基于所述模型參數，在tensorrt平臺中構建所述病灶識別模型的目標推理引擎的步驟之后還包括：

6.一種病灶識別方法，其特征在于，所述病灶識別方法包括：

7.如權利要求6所述的病灶識別方法，其特征在于，所述將所述目標醫療影像輸入所述目標推理引擎，輸出病灶識別結果的步驟之后還包括：

8.一種病灶識別模型的部署系統，其特征在于，所述部署系統包括：

9.一種病灶識別系統，其特征在于，所述病灶識別系統包括：

10.一種電子設備，包括存儲器、處理器及存儲在存儲器上并用于在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1-5中任一項所述的病灶識別模型的部署方法和/或權利要求6或7中所述的病灶識別方法。

技術總結
本公開提供了一種病灶識別模型的部署方法、病灶識別方法、系統及設備，該病灶識別模型的部署方法包括：獲取病灶識別模型；導出病灶識別模型的模型參數；基于模型參數，在TensorRT平臺中構建病灶識別模型的目標推理引擎。本公開基于TensorRT平臺對病灶識別模型進行部署，加快了病灶識別模型的推理速度，提高了醫學圖像病灶識別的效率，同時還能夠有效減少內存消耗。

技術研發人員：劉華洋,吉子軍
受保護的技術使用者：上海聯影醫療科技股份有限公司
技術研發日：
技術公布日：2025/4/28