CN111192682B - 一种影像操练数据处理方法、系统及存储介质 - Google Patents

一种影像操练数据处理方法、系统及存储介质 Download PDF

Info

Publication number
CN111192682B
CN111192682B CN201911359141.1A CN201911359141A CN111192682B CN 111192682 B CN111192682 B CN 111192682B CN 201911359141 A CN201911359141 A CN 201911359141A CN 111192682 B CN111192682 B CN 111192682B
Authority
CN
China
Prior art keywords
image
report
evaluated
quality
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911359141.1A
Other languages
English (en)
Other versions
CN111192682A (zh
Inventor
李蕊
沈宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201911359141.1A priority Critical patent/CN111192682B/zh
Publication of CN111192682A publication Critical patent/CN111192682A/zh
Priority to US17/133,578 priority patent/US20210201701A1/en
Application granted granted Critical
Publication of CN111192682B publication Critical patent/CN111192682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
    • G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
    • G09B23/286—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine for scanning or photography techniques, e.g. X-rays, ultrasonics
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/02—Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30081—Prostate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Business, Economics & Management (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种影像操练数据处理方法、系统及存储介质，所述影像操练数据处理方法包括：响应于影像操练请求指令，确定待操练数据；接收受训者针对待操练影像的待评估影像报告；获取待操练影像对应的参考影像报告；基于参考影像报告，确定待评估影像报告的操练质量。本申请为受训者提供一种有效的在岗影像操练和操练报告质量的自动评估方法，提高了操练质量评估结果的准确可靠性和效率，同时也提高了影像操练的培训效果，有效地提升受训者的阅片水平。

Description

一种影像操练数据处理方法、系统及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种影像操练数据处理方法、系统及存储介质。
背景技术
基于成像设备的检测在医学或工业等领域应用广泛。若对检测的影像进行分析并得到准确的影像分析结果，将有利于辅助后续工作的顺利开展。然而，对检测的影像进行准确性分析的难度较大，影像分析结果也非常依赖于分析人员的经验水平。
以医学领域为例，影像医生的主要工作是进行普通X线成像、X线计算机断层摄影(CT)、与磁共振成像(MRI)等医学影像资料的获取和相应影像报告的撰写，为临床医生提供诊断支持和辅助参考。因此，影像报告的撰写质量将直接影响到临床医生治疗原则的选择和治疗方案的制定。另一方面，与大型医院如三甲医院相比，乡镇医院里的基层影像医生人数有限、技能水平不高、医疗实践经验不够丰富。现有基层影像医生的影像培训往往由上级县市医院主导，定期开展现场授课达到培训的目的，然而这种授课方式存在灵活性较差、所培训的病例资源有限，缺乏针对性指导等不足。尽管随着互联网技术的发展，出现了远程视频培训的方式，但大都采用视频直播、录播等形式，基层影像医生或大型医院的影像医生通过观看视频来进行学习，这种视频培训的方式不仅需要花费专家医生大量的时间和精力来准备视频，而且培训效果并不佳。
此外，在医学影像领域，现有的研究主要集中在医学影像的自动诊断、报告的自动生成等方面，以辅助放射科医生的日常工作，然而对于医学影像的在岗操练培训的研究报道较少。
发明内容
本申请提供了一种影像操练数据处理方法、系统及存储介质，以解决以上至少一种技术问题。
一方面，本申请提供了一种影像操练数据处理方法，包括：
响应于影像操练请求指令，确定待操练数据；所述待操练数据包括待操练影像和所述待操练影像对应的基本数据；
接收受训者针对所述待操练影像的待评估影像报告；
获取所述待操练影像对应的参考影像报告；
基于所述参考影像报告，确定所述待评估影像报告的操练质量；
其中，所述操练质量的指标包括以下至少一种：报告形式规范性、报告相似性和报告内容准确性。
另一方面还提供一种影像操练数据处理系统，其特征在于，包括：
待操练数据确定模块，用于响应于影像操练请求指令，确定待操练数据；所述待操练数据包括待操练影像和所述待操练影像对应的基本数据；
报告接收模块，用于接收受训者针对所述待操练影像的待评估影像报告；
获取模块，用于获取所述待操练影像对应的参考影像报告；
处理模块，用于基于所述参考影像报告，确定所述待评估影像报告的操练质量；
其中，所述操练质量的指标包括以下至少一种：报告形式规范性、报告相似性和报告内容准确性。
在一些实施例，所述系统还包括：
显示控制模块，用于控制影像操练界面的显示；所述影像操练界面包括操练数据区域、待评估报告区域和初始状态为未激活状态的参考报告区域；
所述显示控制模块包括：
激活单元，用于在接收到所述待评估影像报告后，激活所述参考报告区域；
第一显示控制单元，用于基于对激活后的参考报告区域的显示操作指令，控制所述待操练影像对应的参考报告的显示；
第二显示控制单元，用于控制操练质量的结果在所述控制影像操练界面上显示。
另一方面还提供一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述任一所述的影像操练数据处理方法。
另一方面还提供一种计算机存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行如上述任一所述的影像操练数据处理方法。
本申请提供的一种影像操练数据处理方法、系统及存储介质，具有如下技术效果：
本申请实施例通过响应于影像操练请求指令，确定待操练数据；待操练数据包括待操练影像和待操练影像对应的基本数据；接收受训者针对所述待操练影像的待评估影像报告；获取待操练影像对应的参考影像报告；基于参考影像报告，确定待评估影像报告的操练质量；其中，所述操练质量的指标包括以下至少一种：报告形式规范性、报告相似性和报告内容准确性。本申请解决了现有的远距离影像培训和远程视频培训的不足，为受训者提供一种有效的在岗影像操练和操练报告质量的自动评估方法，无需额外的专家配合，整个影像操练过程更自动、更全面，且操练质量的评估指标多样性，提高了操练质量评估结果的准确可靠性和效率，减少了人工评估的成本，能够为受训者提供针对性指导，同时也提高了影像操练的培训效果，有效地提升受训者的阅片水平。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本申请实施例提供的一种实施环境的示意图；
图2是本申请实施例提供的一种影像操练数据处理方法的流程示意图；
图3是本申请实施例提供的步骤S207的流程示意图；
图4是本申请实施例提供的另一种影像操练数据处理方法的流程示意图；
图5是本申请实施例提供的又一种影像操练数据处理方法的流程示意图；
图6a和6b是本申请实施例提供的又一种影像操练数据处理方法的流程示意图；
图7是本申请实施例提供的一种推荐待操练影像数据的推荐过程示意图；
图8是本申请实施例提供的一种推荐待操练影像数据的流程示意图；
图9是本申请实施例提供的一种影像操练数据处理系统的结构框图；
图10是本申请实施例提供的一种影像操练数据处理系统中的终端界面示意图；
图11是本申请提供的一种用于实现本申请实施例所提供的方法的设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1，其示出了本申请实施例提供的一种实施环境的示意图。该实施环境可以包括：第一服务器01、终端03、以及分别与所述第一服务器01和所述终端03通过网络连接的第二服务器02。
第一服务器01可以是独立的服务器，也可以是由多个独立服务器组成的服务器集群，或者分布式服务器。第一服务器01可用于获取影像操练数据，其可以部署在包括但不限于医院的信息科(或机房)，在每个医院可以部署至少一个该第一服务器01。该影像操练数据包括但不限于不同类型的影像数据等。
终端03可以包括运行于实体设备中的软体，例如安装在设备上的应用可执行文件、浏览器等，也可以包括安装有应用等的智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备等类型的实体设备中至少一种。具体的，终端03上运行有操作系统，该操作系统可以是视窗(Windows)操作系统或Linux操作系统或者Mac OS(苹果桌面操作系统)等桌面操作系统，也可以是iOS(苹果移动终端操作系统)或者安卓(Android)操作系统等移动操作系统。受训者可以在终端30上通过运行的软件进行影像操练，得到待评估影像报告，之后终端30可以将该待评估影像报告发送至第二服务器02进行分析处理。
第二服务器02可以是独立的服务器，也可以是由多个独立服务器组成的服务器集群，或者分布式服务器，或者是提供云计算服务器、云数据库、云存储等基础云计算服务的云服务器。分布式服务器具体可以为区块链(Block Chain)结构，该区块链结构中的任意一个节点都可以执行或参与执行影像操练数据处理方法。第二服务器02可以获取第一服务器01的影像操练相关数据，并基于该影像操练数据和及对应的参考影像报告，对终端03发送的待评估影像报告进行评估，实现对受训者的在岗影像操练培训。
应理解，图1中示出的实施环境仅仅是与本申请方案一种应用环境，并不构成对本申请方案应用环境的限定，其他的应用环境还可以包括比图中所示更多或更少的计算机设备，或者计算机设备网络连接关系。
以下介绍本申请一种影像操练数据处理方法的具体实施例，图2是本申请实施例提供的一种影像操练数据处理方法的流程示意图，本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。如图2所示，该方法的执行主体可以为服务器或者终端。下面以执行主体为上述应用环境中的第二服务器为例进行说明，该方法可以包括：
S201：响应于影像操练请求指令，确定待操练数据；所述待操练数据包括待操练影像和所述待操练影像对应的基本数据。
终端接收受训者针对请求影像操练的触发操作，生成影像操练请求指令并将该影像操练请求指令发送给第二服务器。该影像操练请求指令中可以携带受训者的用户标识信息、终端标识信息等信息。第二服务器响应于该影像操练请求指令，并确定与受训者相匹配的待操练数据。
待操练数据包括至少一组待操练影像和所述待操练影像对应的基本数据。其中，待操练影像可以包括但不限于为以下至少一种：至少一种类型的影像数据(比如PET/PET-CT/PET-MRI/X光片/CT/MRI/超声影像等)、至少一个科室的影像数据、至少一种疾病的影像数据或者其他分类的影像数据等。所述待操练影像对应的基本数据包括但不限于为以下至少一种：影像对应的扫描部位、影像对应患者的个人信息、患者历史病历信息、患者历史检查数据等。该患者历史病历信息包括但不限于为：主诉、病因病史、曾用药物、既往治疗等记录。
还需要说明的是，待操练数据还可包括待操练影像对应的参考影像报告。该参考影像报告可以是已经过高年资医生审核的影像报告，和/或基于人工智能所确定的影像报告等。
S203：接收受训者针对所述待操练影像的待评估影像报告。
所述待评估影像报告是基于所述待操练影像和所述待操练影像对应的基本数据所确定。待评估影像报告可以包括影像描述部分(如病灶征象的定位、定性、定量等)和/或诊断意见部分。
终端接收第二服务器所确定的待操练数据，并展示在终端界面上。受训者对该待操练数据中至少一组数据进行操练，具体地，受训者结合待操练影像对应的基本数据，并浏览终端所展示的待操练影像，完成待评估影像报告的撰写。终端将接收到的受训者输入的待评估影像报告发送给第二服务器，以使第二服务器实现对该待评估影像报告的质量评估，从而对受训者进行针对性培训。
S205：获取所述待操练影像对应的参考影像报告。
在执行操练质量评估的第二服务器或功能模块中不包含所述待操练影像对应的参考影像报告的情况下，可以从其他设备或功能模块中获取。该参考影像报告可以是已经过高年资医生审核的影像报告，和/或基于人工智能所确定的影像报告等。
S207：基于所述参考影像报告，确定所述待评估影像报告的操练质量；
第二服务器在接收到受训者通过终端所提交的待评估影像报告，利用自然语言处理(Natural Language Processing，NLP)和计算机视觉等技术，基于所述参考影像报告对该待评估影像报告进行语义上的质量评估。
所述操练质量的指标包括以下至少一种：报告形式规范性、报告相似性和报告内容准确性。
其中，报告内容准确性，主要衡量对待评估影像报告中影像描述部分和/或诊断意见部分的内容准确程度。通过将待评估影像报告与参考影像报告进行相应的比较，得到对应的内容质量结果。
报告形式规范性，主要衡量待评估影像报告中所描述的病灶征象的顺序、用词、完整性等规范程度。
报告相似性，主要衡量基于比如语序、语法、语义等句子层面，来评估待评估影像报告与参考影像报告的句子间的相似性。
上述实施例，解决了现有的远距离影像培训和远程视频培训的不足，为受训者提供一种有效的在岗影像操练和操练报告质量的自动评估方法，无需额外的专家配合，整个影像操练过程更自动、更全面，且操练质量的评估指标多样性，提高了操练质量评估结果的准确可靠性和效率，减少了人工评估的成本，能够为受训者提供针对性指导，同时也提高了影像操练的培训效果，有效地提升受训者的阅片水平。
在一实施例，如图3所示，所述步骤207可包括：
S301：生成用于描述所述待评估影像报告的文本特征的第一向量。
在实际应用中，可以基于自然语言处理中的词向量技术(比如Word2vec、BERT等)，将待评估影像报告转换为用于描述文本特征的第一向量。该第一向量可为数值矩阵表达的形式。
在一具体实施例，将待评估影像报告进行分词，得到组成待评估影像报告的各词，再对各词进行向量化，得到各分词的词向量，之后将各词向量进行组合，从而得到数字化的第一向量。
S303：生成用于描述所述参考影像报告的文本特征的第二向量。
在实际应用中，可以基于与转换为第一向量相同的词向量技术，将参考影像报告转换为用于描述文本特征的第二向量。该第二向量可为数值矩阵表达的形式。
在一具体实施例，类似于待评估影像报告，对参考影像报告进行相同的分词和向量化处理，得到数字化的第二向量。
S305：基于所述第一向量和所述第二向量，确定所述待评估影像报告的操练质量。
在实际应用中，可以通过计算第一向量和第二向量的向量相似度，来确定所述待评估影像报告的操练质量。
操练质量的指标可以根据用户需求进行适配性选择。当然，为了对待评估影像报告的操练质量进行全面分析，在一实施例，所述操练质量的指标可包括报告形式规范性、报告相似性和报告内容准确性。当操练质量的指标为多个时，可以对每个指标进行数学运算，将得到综合操练质量作为待评估影像报告的操练质量。示例的，可以将各操练质量的指标所得到的操练质量结果(比如得分)进行加权和，作为待评估影像报告的综合质量得分。
上述实施例，通过将待评估影像报告和参考影像报告进行文本特征的向量化，有利于快速进行文本特征提取且降低了计算量，提高了操练质量的自动评估效率。
在一具体实施例，如图4所示，在所述操练质量的指标包括报告形式规范性的情况下，所述基于所述第一向量和所述第二向量，确定所述待评估影像报告的操练质量，包括：
S401：对所述第一向量进行医学信息提取，得到包含多个待评估字符串对的第一结构化序列；每个待评估字符串对的序列排序与对应的医学信息在待评估影像报告中的位置排序相匹配。
S403：对所述第二向量进行医学信息提取，得到包含多个参考字符串对的第二结构化序列；每个参考字符串对的序列排序与对应的医学信息在参考影像报告中的位置排序相匹配。
S405：基于所述第一结构化序列和所述第二结构化序列，对所述待评估影像报告进行报告形式规范性分析，得到第一操练质量结果。
其中，医学信息可以包括医学实体(比如器官、组织等解剖部位)、医学实体的影像特征(比如医学实体属性词等)、及影像特征对应的病灶征象(比如大小属性、肯定/否定断言、形状属性等)。仅作为示例，器官可包括头、颅、颈部、血管、肝脏等。医学实体属性词可包括密度影、形态、边界、信号强度、方位等属性。大小属性可包括密度影/病灶的尺寸、信号强度(即密度影的亮度)、大小等属性。肯定/否定断言可为例如形态是否规则、边界是否清楚、密度影是否存在等。形状属性可为例如均匀、增粗、扩张等。
举例而言，对于影像报告中的“左中腹平第L4左侧横突下缘水平可见小结节状稍高密度影”，其中，“左中腹平第L4左侧横突下缘”为解剖部位；“密度影”表示该解剖部位的影像特征；“小结节状”表示影像特征(密度影)的形状属性，“稍高”表示影像特征的信号强度属性。
对于影像报告中的“胸廓对称，双肺野透亮度可，双肺野内未见异常密度影，双肺门影不大。心影大小形态正常。双侧膈面光整，肋膈角锐利。”其中，“对称”表示“胸廓”的方位属性；“不大”表示“双肺”-“门影”的大小属性。其中，“未见”表示否定，说明不存在异常密度影。
在一具体实施例，通过对第一向量或第二向量进行医学信息提取，即对医学概念、医学概念之间的属性关系、肯定/否定情况进行识别。待评估字符串对和参考字符串对为由分别提取的医学信息所组成的医学概念组对，也即形成“解剖部位-影像特征-病灶征象”的组合。
在影像报告中，影像描述部分可包括多个文本段落，每个文本段由至少一个影像描述语句构成。在不同的影像报告中，每句文本段落在影像描述部分的书写排序，以及每句文本段落中的每个影像描述语句的书写排序存在差别。第一结构化序列和第二结构化序列是分别表征包含每个影像描述部分中影像描述语句的位置关系的结构化组对。
举例而言，在待评估影像报告中，若影像描述部分为：“颅内和颈部血管管壁光整，未见明显狭窄或扩张征象，各主要分支未见明显异常。右侧甲状腺可见两处低强化区，大小分别为8*8mm，4*2mm”。先通过医学信息识别，把“颅内”、“颈部”、“血管”、“狭窄”、“扩张”等医学信息提取出来，以及“未见”识别出来，形成如“颅内血管-管壁-光整”、“右侧甲状腺-低强化区-8*8”、“颅内血管-扩张-无”等待评估字符串对。之后，根据每个医学信息(如解剖部位、影像特征等)在待评估影像报告中的书写排序，得到包含多个待评估字符串对的第一结构化序列，比如{“颅内血管-管壁-光整”、“颅内血管-扩张-无”、“右侧甲状腺-低强化区-8*8”、“右侧甲状腺-低强化区-4*2”}的第一结构化序列。第一结构化序列中的每个待评估字符串对的序列排序与对应的医学信息在待评估影像报告中的位置排序相匹配。
在一可能实施例中，可以利用语义标注技术，将两个报告的数值矩阵表达分别输入到预先训练好的基于神经网络的序列标注网络中(比如RNN、LSTM等网络)，形成包含一系列“解剖部位-影像特征-病灶征象”组合的结构化序列。
之后，基于所述第一结构化序列和所述第二结构化序列，对所述待评估影像报告进行报告形式规范性分析，即对待评估影像报告中所描述的病灶征象的顺序、用词、完整性等规范程度进行对比分析，得到第一操练质量结果。该第一操练质量结果可以为质量评分、质量等级等。
上述实施例，通过对待评估影像报告和参考影像报告进行医学信息提取，并构建包含多个字符串对的结构化序列，提高了对待评估影像报告进行报告形式规范性分析的准确性和效率。
在一可选实施例，所述步骤S405可包括：
S501：基于所述每个待评估字符串对的序列排序和所述每个参考字符串对的序列排序，对所述待评估影像报告进行第一报告形式规范性分析，得到第一规范性质量。
第一规范性质量是表征待评估影像报告和参考影像报告所提取的医学信息的出现顺序的差异性。示例的，可以比较两个报告中对应解剖部位和/或影像特征的出现顺序的差异性。
在一实施例，为了提高报告形式规范性分析的准确性和可靠性，可以先对结构化序列进行词条规范化处理。此时，所述步骤S501可包括：
S5011：对所述每个待评估字符串对中第一元素进行词条规范化处理，得到规范化后的每个待评估字符串对；所述第一元素用于描述解剖部位和影像特征。
每个待评估字符串对由“解剖部位-影像特征-病灶征象”的组合，也即每个待评估字符串对中包括多个字符串元素(即解剖部位、影像特征和病灶征象)。该词条规范化处理主要是针对第一结构化序列中非病灶征象的医学信息，也即对用于描述解剖部位和影像特征的第一元素进行词条规范化处理，得到规范化后的每个待评估字符串对。
在实际应用中，可通过事先构建的影像词典进行词条规范化处理。该影像词典可由以专家共识、书写规范为依据进行建立和更新。该影像词典可包括医学解剖结构(以颅脑CT为例，词典包含‘大脑半球、基底节结、脑干、小脑、脑中线、脑池、脑沟’等解剖结构词汇)、影像特征的标准词条(如‘密度、边界、形态、大小、厚度’等特征词汇)及其同义词的词典。针对每一个病种及影像类型，制定所需描述的解剖结构的集合，并确定描述顺序。
具体地，可以通过事先构建的影像词典对第一结构化序列中的“解剖部位”进行解剖结构同义词替换，将“影像特征”进行影像特征的同义词替换，得到医学影像常用的规范性的词条或相应的编码，可消除一义多词。
S5013：对所述每个参考字符串对中第二元素进行词条规范化处理，得到规范化后的每个参考字符串对；所述第二元素用于描述解剖部位和影像特征。
每个参考字符串对由“解剖部位-影像特征-病灶征象”的组合，也即每个参考字符串对中也包括多个字符串元素(即解剖部位、影像特征和病灶征象)。这里的词条规范化处理主要是针对第二结构化序列中非病灶征象的医学信息，也即对用于描述解剖部位和影像特征的第二元素进行词条规范化处理，得到规范化后的每个参考字符串对。
类似于上述对第一结构化序列进行词条规范化处理，可以通过事先构建的影像词典对第二结构化序列中的第二元素也进行同义词替换，得到医学影像常用的规范性的词条或相应的编码，可消除一义多词。
这里通过对参考影像报告对应的第二结构化序列也进行相应的词条规范化处理，从而可避免因经验丰富的医生在“解剖部位”和“影像特征”上的用词不规范的问题，而导致分析结果的不准确。
S5015：对所述规范化后的每个待评估字符串对的序列排序和所述规范化后的每个参考字符串对的序列排序进行元素出现排序的差异性分析，得到所述第一规范性质量。
对规范化后的每个待评估字符串对中的第一元素，和规范化后的每个参考字符串对中的第二元素的排列顺序的差异性进行分析，得到用于描述报告的描述层次顺序的第一规范性质量。具体地，由于第一元素和第二元素均包括解剖部位和影像特征，可以先根据两者的解剖部位进行排序差异性分析，再对两者的影像特征进行排序差异性分析，之后综合两个排序差异性分析结果，得到第一规范性质量。该排序差异性分析包括对应医学信息的出现顺序的差异性、类别数目、主次顺序、是否存在对应的医学信息内容(也即实体描述是否完整)。该第一规范性质量可以包括质量评分、质量等级等。
在实际应用中，影像报告中会出现多个器官或病灶等。在撰写影像报告时，需要优先描述异常征象、关键部分。比如应尽量按“肝脏”、“肝各叶”、“肝内外胆管”、“胆囊”、“胰腺”、“脾脏”、“双肾”等顺序描述。将待参考影像报告的第一元素进行排序得到参考影像报告对应的第二元素的排列顺序，以排序的复杂度作为第一规范性质量评估指标。若排列顺序越复杂，也即两者排序差异越多，则对应的第一规范性质量越差，反之，对应的第一规范性质量越佳。
需要说明的是，若参考影像报告是基于人工智能所确定的报告，则无需执行对参考影像报告进行词条规范化处理的步骤，也即直接对所述规范化后的每个待评估字符串对的序列排序、和每个参考字符串对的序列排序，进行元素排序的差异性分析，得到所述第一规范性质量。
上述实施例，通过先对待评估字符串对和参考字符串对中的各元素进行词条规范化处理，避免报告中的一义多词所带来的评估偏差；之后基于各规范化后的字符串对中所有元素出现顺序的差异性分析结果，确定待评估影像报告的第一规范性质量，从而提高了操练质量的评估全面性和操练质量报告结果的准确可靠性。
S503：基于所述第一结构化序列中至少一个第一词向量和所述第二结构化序列中至少一个第二词向量，对所述待评估影像报告进行第二报告形式规范性分析，得到第二规范性质量；所述第一词向量和所述第二词向量均用于描述病灶征象。
第二规范性质量用于表征对病灶征象的用词的简洁明晰程度。在进行第一报告形式规范性分析后，两个报告中元素的排列顺序相一致。此时，对每个“解剖部位-影像特征”所对应的病灶症象的描述用词进行第二报告形式规范性分析，得到第二规范性质量。该第二规范性质量包括质量评分、质量等级等。
具体地，可以通过计算对应的至少一个病灶症象的第一词向量和第二词向量之间的词向量距离(比如欧式距离、余弦距离等)，根据该词向量距离来确定第二规范性质量。
S505：基于所述第一规范性质量和所述第二规范性质量，得到所述第一操练质量结果。
在确定第一规范性质量和第二规范性质量，可以将两者进行数学运算，得到第一操练质量结果。该数学运算包括但不限于加、减、乘、除或者加权运算(比如加权求和)等。若将第一规范性质量和第二规范性质量进行加权运算，则对应的权重的数值可根据其对操练质量的影响程度而定。
上述实施例，基于每个待评估字符串对的序列排序和每个参考字符串对的序列排序，对待评估影像报告进行第一报告形式规范性分析，得到第一规范性质量。基于第一结构化序列中至少一个第一词向量和第二结构化序列中至少一个第二词向量，对待评估影像报告进行第二报告形式规范性分析，得到第二规范性质量；并将第一规范性质量和第二规范性质量进行合并以得到第一操练质量结果。从多维度来确定待评估影响报告的操练质量，进一步提高了操练质量的评估全面性和操练质量报告结果的准确可靠性。
在一具体实施例，如图4和5所示，在所述操练质量的指标包括报告相似性的情况下，所述基于所述第一向量和所述第二向量，确定所述待评估影像报告的操练质量，包括：
S601：基于所述第一向量，确定所述待评估影像报告中每个语句的第一目标语句向量。
S603：基于所述第二向量，确定所述参考影像报告中每个语句的第二目标语句向量。
S605：确定每个所述第一目标语句向量和对应的每个所述第二目标语句向量之间的向量距离。
S607：基于所述向量距离，确定所述待评估影像报告对应的第二操练质量结果，所述第二操练质量结果表征待评估影像报告和参考影像报告的报告相似性。
相似性分析主要基于句子层面，比如语序、语法、语义等层面，来评估报告中句子间的相似性，不涉及报告结果的对错。也即，将待评估影像报告和参考影像报告分别切分成多个句子，逐句地对比受训者的待评估影像报告和参考影像报告在句子描述上的相似程度。
在本实施例，可以将第一向量和第二向量输入已训练的网络模型中，分别计算两份报告的句子级或文档级的第一目标语句向量和第二目标语句向量，通过句向量表示之间的向量距离(比如欧氏距离、余弦距离等)，计算待评估影像报告和参考影像报告的报告相似性。该已训练的网络模型可以为预先训练好的基于神经网络的语言模型，比如包括但不限于为双向LSTM构成的双向语言模型等。
举例而言，如两个报告描述分别为“腹部见少许稍充气肠管影，未见明确气液平面及扩张肠管影”和“腹部可见散在多发肠气显影，未见明显肠管扩张积气，未见明显呈阶梯状分布的宽大液平”，两者表达的信息相似，但在句子描述上后者相对严谨准确。
上述实施例，基于待评估影像报告和参考影像报告中各语句的向量距离，确定表征报告相似度的第二操练质量结果，进一步提高了操练质量的评估全面性和操练质量报告结果的准确可靠性。
在一具体实施例，如图4、5、6a和6b所示，在所述操练质量的指标包括报告内容准确性的情况下，所述基于所述第一向量和所述第二向量，确定所述待评估影像报告的操练质量，包括：
S701：基于所述第一向量，确定针对所述待操练影像的待评估检测结果特征。
S703：获取针对所述待操练影像的实际检测结果特征。
S705：基于所述待评估检测结果特征和所述实际检测结果特征，对所述待评估影像报告进行报告内容准确性分析，得到第三操练质量结果。
待评估检测结果特征和实际检测结果特征均包括病灶征象的特征、以及诊断意见部分的疾病辅助诊断的特征。其中，病灶征象的特征包括病灶征象对应的定位特征信息、定性特征信息、定量特征信息等。
举例而言，在冠脉CTA报告中，影像描述部分“LAD近端钙化斑块，狭窄中度狭窄”一句包含的定位信息是“LAD近端”、定性信息是“斑块钙化”、定量信息是“中度狭窄”。在前列腺MRI报告中，诊断意见部分“考虑前列腺癌，前列腺增生”一句包含的疾病诊断是“前列腺癌”和“前列腺增生”。
实际检测结果特征可以是对参考影像报告进行特征提取得到的、和/或利用人工智能方法直接对待操练影像进行检测识别所得到的。示例的，可以通过基于神经网络的医学影像自动诊断技术，对待操练影像中所出现的病灶位置、大小和类型进行检测识别，得到基于人工智能的识别结果。
通过对待评估检测结果特征和实际检测结果特征进行特征一一比对，以实现对待评估影像报告进行报告内容准确性分析，得到第三操练质量结果。该第三操练质量结果包括但不限于质量评分、质量等级。从而，实现了对影像描述部分中关于病灶进行定位、定性、定量的分析，并评估诊断意见部分的诊断结论是否准确。
在一实施例，实际检测结果特征可以是对参考影像报告进行特征提取得到的、和利用人工智能方法直接对待操练影像进行检测识别所得到的。此时，通过待评估检测结果特征分别与参考影像报告所提取的特征、以及智能识别的特征进行比较分析，实现了与人、机器的双重对比，进一步提高影像操练评估结果的准确性。
本申请解决了现有的远距离影像培训和远程视频培训的不足，为受训者提供一种有效的在岗影像操练和操练报告质量的自动评估方法，无需额外的专家配合，整个影像操练过程更自动、更全面，且操练质量的评估指标多样性，提高了操练质量评估结果的准确可靠性和效率，减少了人工评估的成本，能够为受训者提供针对性指导，同时也提高了影像操练的培训效果，有效地提升受训者的阅片水平。
本申请解决了跨区域、医院的基层或低资质放射科医生的在岗培训和操练，在不影响既定岗位工作的条件下，不仅允许操练医生能够实时动态地获取大型医院的大量医学影像数据，以规范、丰富、提高自身的业务水平；同时利用人工智能技术，对操练医生撰写的影像报告与专家的参考报告进行比较、质量评估，辅助院方科室对影像报告进行质控管理，减少人工和时间投入。
正常情况下，大型医院(比如大三甲医院)每天患者众多，全国所有的大型医院每天产生的影像数据及报告数量非常大，如何为受训者推送高质量的影像案例非常重要。
在一实施例，如7和8所示，所述方法还可包括向所述受训者推荐待操练数据的步骤。具体的，将待操练数据推送给各个乡镇医院，推送过程可根据预设的参数，如医院/科室/专家/病种/更新时间等信息进行针对性地固定推送，也可结合知识图谱和文本推荐技术，根据操练医生的技能水平、过往阅片历史中的出错案例、相似病例进行灵活地在线推荐。
所述向所述受训者推荐待操练数据，包括：
S801：获取受训者的目标画像数据。
目标画像数据表征受训者的行为数据。该目标画像数据可以包括以下至少一种：感兴趣影像案例的类型、历史操练影像案例的类型及其对应的类型分布数据、历史操练影像案例的难易程度及其对应的难易程度分布数据、和历史操练影像案例的操练质量的结果。
在实际应用中，该目标画像数据可以通过受训者资历水平、培训方向(如腹部/胸部等成像部位)、关注疾病类型、所属科室、当前时段的培训案例的疾病、影像模态、目标专家、医院、难易程度(比如容易、一般、难或者其他难度等级)的分布来确定，也可根据受训者在操练软件上通过“设置”选项来手动设置希望培训的影像模态、临床科室、成像部位、疾病类型等信息来确定，也可以根据受训者在受训前进行简单的水平测试或问卷调查来确定。
其中，影像模态可分为PET/PET-CT/PET-MRI/X光片/CT/MRI/超声影像等。按科室分为神经内科、神经外科、肝胆胰外科、泌尿生殖、消化内科等。按成像部位分为颅脑、头颈、胸部、腹部、盆腔、下肢等。按疾病分为脑出血、冠脉狭窄、前列腺癌、急性胰腺炎、肺结节、骨折等。
S803：基于所述受训者的目标画像数据，确定待推荐的待操练数据。
根据受训者的目标画像数据，确定与该目标画像数据相匹配的待推荐的待操练数据。待推荐的待操练数据的数量可为多组。
在一可选实施例，在确定待推荐的待操练数据之前，还可构建影像案例知识图谱。所述构建影像案例知识图谱可以包括：
1)将影像案例按照影像模态、成像部位、科室、疾病类型等进行划分。
2)将影像案例按照难易程度进行分类。
示例的，可以对于特定的影像数据如冠脉CTA腹部X光片的影像案例根据影像报告及患者电子病历信息，将影像案例按难易程度分为3个或5个等级，如3个等级：容易、一般、难。
在一实施例，利用NLP文本分类技术进行难易程度分类，具体的分类步骤可以包括：电子病历/影像报告->文本嵌入表达(例如可采用Word2vec、BERT等词向量)->上下文语义特征提取(例如可采用CNN、LSTM、Transformer等网络结构进行提取)->Softmax分类。具体的，可以构建难易分类模型，第二服务器接收到上传的新的影像案例后，可利用该预先构建的难易分类模型进行难易程度分类，并在该新的影像案例上打上难易程度的标签。
之后，可根据影像案例特征构建影像案例知识图谱，并将受训者的目标画像数据映射到影像案例知识图谱，得到待推荐的待操练数据。其中，该影像案例特征包括影像模态、主疾病诊断、次疾病诊断、身体部位、难易程度、被标记为“典型’的次数、被做错的次数、相关联的其他案例(一个患者可能有多个影像检查)、患者年龄、性别、既往病史如高血压、糖尿病等、危险因素如抽烟史、饮酒史等。
S805：基于预设推荐规则，向所述受训者推荐所述待推荐的待操练数据。
预设推荐规则包括但不限于疾病类型、影像类型、新旧影像案例的推荐比例等。其中，新旧影像案例的推荐比例是指对未做题和已做错题的推荐比例，影像类型指PET/PET-CT/PET-MRI/X光片/CT/MRI/超声影像等；疾病类型指同一个影像检查，所诊断出的不同疾病类型。
举例而言，如图7所示，对于研究急性腹痛症(急腹症)的受训者，急腹症主要包括肠梗阻、穿孔、结石、出血、炎症等疾病，诊断常用的影像资料有腹部平片(X光片)、腹部CT(平扫/增强)和MRI。通过统计受训者某个时段内学习的影像案例的疾病分布、影像类型分布、难易程度分布等，为受训者推荐案例较为合适的新案例。比如受训者A，在前一个小时内练习了5例肠梗阻、8例穿孔、2例出血、10例结石、0例炎症，其在历史低难度案例中得分较高(出错少)，则推荐程序自动提高下一次推荐炎症性疾病且中等难度案例的概率。
采用预设推荐规则，来确保受训者收到的影像案例在相似性、难易程度、疾病分布等方面的均衡，减少相同案例的推荐，根据案例难易程度和受训者的资历水平进行量身推荐，有助于提高培训质量和效率；避免因只做单一特性的影像案例，造成受训者倦怠，降低培训质量。
上述实施例，通过结合知识图谱，根据病例的患者信息、病史、成像条件等，构建病例的画像特征，实现病例自动归类；通过受训者的画像特征，为每位受训者进行针对性、定制化的影像推荐，并且这种推荐也会随着受训者技能水平的提升而动态推荐不同难易程度的病例，流程更加自动化、病例分类、推荐的准确度与也相对较高。
下述为本申请系统实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参考图9，其示出了本申请实施例提供的一种影像操练数据处理系统的结构框图。该系统具有实现上述方法示例服务器或终端的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。以实现上述方法示例中第二服务器侧的功能为例，所述系统90可包括：
待操练数据确定模块901，用于响应于影像操练请求指令，确定待操练数据；所述待操练数据包括待操练影像和所述待操练影像对应的基本数据；
报告接收模块902，用于接收受训者针对所述待操练影像的待评估影像报告；
获取模块903，用于获取所述待操练影像对应的参考影像报告；
处理模块904，用于基于所述参考影像报告，确定所述待评估影像报告的操练质量；
其中，所述操练质量的指标包括以下至少一种：报告形式规范性、报告相似性和报告内容准确性。
在一些实施例，所述待评估影像报告是基于所述待操练影像和所述待操练影像对应的基本数据所确定。所述处理模块904可包括：
第一向量生成子模块，用于生成用于描述所述待评估影像报告的文本特征的第一向量；
第二向量生成子模块，用于生成用于描述所述参考影像报告的文本特征的第二向量；
质量确定子模块，用于基于所述第一向量和所述第二向量，确定所述待评估影像报告的操练质量。
在一些实施例，在所述操练质量的指标包括报告形式规范性的情况下，所述质量确定子模块包括：
第一结构化单元，用于对所述第一向量进行医学信息提取，得到包含多个待评估字符串对的第一结构化序列；每个待评估字符串对的序列排序与对应的医学信息在待评估影像报告中的位置排序相匹配；
第二结构化单元，用于对所述第二向量进行医学信息提取，得到包含多个参考字符串对的第二结构化序列；每个参考字符串对的序列排序与对应的医学信息在参考影像报告中的位置排序相匹配；
第一质量确定单元，用于基于所述第一结构化序列和所述第二结构化序列，对所述待评估影像报告进行报告形式规范性分析，得到第一操练质量结果。
在一些实施例，所述第一质量确定单元包括：
第一规范性确定子单元，用于基于所述每个待评估字符串对的序列排序和所述每个参考字符串对的序列排序，对所述待评估影像报告进行第一报告形式规范性分析，得到第一规范性质量；
第二规范性确定子单元，用于基于所述第一结构化序列中至少一个第一词向量和所述第二结构化序列中至少一个第二词向量，对所述待评估影像报告进行第二报告形式规范性分析，得到第二规范性质量；所述第一词向量和所述第二词向量均用于描述病灶征象；
第一质量确定子单元，用于基于所述第一规范性质量和所述第二规范性质量，得到所述第一操练质量结果。
在一些实施例，所述第一规范性确定子单元包括：
第一规范化子单元，用于对所述每个待评估字符串对中第一元素进行词条规范化处理，得到规范化后的每个待评估字符串对；所述第一元素用于描述解剖部位和影像特征；
第二规范化子单元，用于对所述每个参考字符串对中第二元素进行词条规范化处理，得到规范化后的每个参考字符串对；所述第二元素用于描述解剖部位和影像特征；
第一规范性质量确定子单元，用于对所述规范化后的每个待评估字符串对的序列排序和所述规范化后的每个参考字符串对的序列排序进行元素排序的差异性分析，得到所述第一规范性质量。
在一些实施例，在所述操练质量的指标包括报告相似性的情况下，所述质量确定子模块包括：
第一句向量确定单元，用于基于所述第一向量，确定所述待评估影像报告中每个语句的第一目标语句向量；
第二句向量确定单元，用于基于所述第二向量，确定所述参考影像报告中每个语句的第二目标语句向量；
向量距离确定单元，用于确定每个所述第一目标语句向量和对应的每个所述第二目标语句向量之间的语句向量距离；
第二质量确定单元，用于基于所述语句向量距离，对所述待评估影像报告进行报告相似性分析，得到第二操练质量结果。
在一些实施例，在所述操练质量的指标包括报告内容准确性的情况下，所述质量确定子模块包括：
基于所述第一向量，确定针对所述待操练影像的待评估检测结果特征；
获取针对所述待操练影像的实际检测结果特征；
基于所述待评估检测结果特征和所述实际检测结果特征，对所述待评估影像报告进行报告内容准确性分析，得到第三操练质量结果。
在一些实施例，所述系统90还可包括推荐模块，用于向所述受训者推荐待操练数据。
在一些实施例，所述推荐模块可以包括：
画像获取单元，用于获取受训者的目标画像数据；
推荐数据确定单元，用于基于所述受训者的目标画像数据，确定待推荐的待操练数据；
推荐单元，用于基于预设推荐规则，向所述受训者推荐所述待推荐的待操练数据；
其中，所述目标画像数据包括以下至少一种：感兴趣影像案例的类型、历史操练影像案例的类型及其对应的类型分布数据、历史操练影像案例的难易程度及其对应的难易程度分布数据、和历史操练影像案例的操练质量的结果。
在一些实施例，所述系统还可包括第一服务器和/或终端。
在实际应用中，第一服务器可部署在三甲医院，终端可为乡镇医院侧的设备。第一服务器和终端之间的病例共享方式，可以分别是跨区域的多网点集中式(多个医院的数据由第二服务器集中获取和推送)，也可以为点对点直连式(某县市级医院通过第二服务器仅对其下属医院提供病例共享)。
在一些实施例，第一服务器中可包括用于获取影像操练数据的数据获取模块，其可部署在医院的信息科(或机房)。数据获取模块自动地从医院的HIS、PACS、RIS等系统中直接根据影像数据的编码、病人ID等作为关联，自动地从PACS中遍历每条影像记录(不同影像模态的影像数据以及相应的检查设备、条件等)，并根据预设的关联字段自动从HIS获取患者的所有信息(如主诉、病因病史、曾用药物、既往治疗等记录)，从RIS中获取高年资医生撰写的影像报告，导出至目标数据库，并上传至第二服务器，形成大量的待操练影像数据。因此只要满足DICOM协议的PACS&RIS、HL7协议的HIS系统无需进行额外的统一格式化处理，简化步骤。其中，患者信息中的姓名、身份证等隐私信息可利用自然语言处理技术自动进行匿名化处理。
仅作为示例，该第一服务器可按医院网点部署在多个医院内，定期(实时、按小时、按天/周/月，根据具体网点的病例数量、带宽等需求)从院方HIS、PACS&RIS系统中获取当天的影像、病例数据等。
在一些实施例，终端上可安装用于执行影像操练的软件，该软件包括但不限于为EXE、APP、浏览器网页等形式。终端上的该软件可包含用户注册模块、用户登录模块和操练模块。
在实际应用中，用户注册模块通过提供医院名称、科室名称、操练方向、用户名/密码等基本信息来新增医师学员账户。已注册用户通过用户登录模块输入用户名/密码、所属科室、医院名称等信息，登录软件后通过医学教育认证的测试病例数据，对新用户进行定级，以确定病例推送的难易程度等；之后通过操练模块进入影像操练界面，以基于显示的待操练数据进行影像操练，接收受训者针对该待操练数据的待评估影像报告，及展示待评估影像报告的操练质量及匹配的参考影像报告。
在一些实施例，所述系统还可包括：
显示控制模块，用于控制影像操练界面的显示；所述影像操练界面包括操练数据区域、待评估报告区域和初始状态为未激活状态的参考报告区域。
在一些实施例，所述显示控制模块可包括：
激活单元，用于在接收到所述待评估影像报告后，激活所述参考报告区域；
第一显示控制单元，用于基于对激活后的参考报告区域的显示操作指令，控制所述待操练影像对应的参考报告的显示；
第二显示控制单元，用于控制操练质量的结果在所述控制影像操练界面上显示。
在一些实施例，所述影像操练界面还可包括报告质量评估区域和工具区域。仅作为示例，影像操练界面的示意图可以如图10所示。
示例地，操练模块接收影像运中心推送的影像数据和病例信息等，将其显示在影像操练界面上，用户手工输入影像报告后将其发送到第二服务器，从第二服务器获取参考影像报告、报告质量评估结果并显示在界面的相关区域。
在实际应用中，参见图10所示，操练者根据操练数据区域所显示的影像等信息，在待评估报告区域手动输入自己给出的影像报告(包括影像学描述和诊断意见两部分)，点击“提交”后才能手动点击“显示”以在参考报告区域显示参考报告，同时软件后台将所撰写报告提交至云端中心服务器，借助人工智能技术检查所提交报告的形式规范性、内容准确性以及与参考报告的相似性等指标，并将报告评估结果显示在报告质量评估区域。对于新手医生，软件也提供了工具区域对应的辅助功能模块，用于辅助顺利开展报告的撰写。工具区域包括但不限于“设置”、“撰写规范说明”、“模板样例”、“在线提示”、“查看相似病例”、“将病例标记为收藏”等功能。其中“设置”包括常规设置和校对设置，前者通过设置医院、科室、病种、专家、影像类型等偏好信息，允许受训者只关注目标医院、专家的病例数据，便于定向学习交流；后者为受训者提供自动校对的功能，当手工输入的报告内容中出现错别字、英文拼写、标点符号等语法错误时，会在相应出错处通过波浪下划线的方式进行在线提示、自动纠错，避免引起歧义。
在一些实施例，所述系统中的第二服务器为云端服务器，所述第二服务器还可包括：用户管理模块和影像数据存储模块。
用户管理模块用于操练用户进行管理。具体的对操练用户(比如在岗操练医生)进行注册、登录管理，同时根据每个操练用户的历史操练成绩和操练项目对其进行技能评分，当技能得分达到一定程度后，为其颁发等级证书，作为激励。该用户管理模块还可为受训者访问不同医院、科室、病例设置相应的访问权限。
影像数据存储用于从各医院网点的数据获取服务器中接收最新的影像数据，且以关系型数据库的方式存储和管理。
本申请基于互联网、人工智能和大数据技术，提出了一种基于人工智能的影像在岗操练系统。首先利用互联网技术，从大型三甲医院HIS、PACS、RIS等系统中提取不同类型(PET/PET-CT/PET-MRI/X光片/CT/MRI/超声影像等)的影像数据、病因病史、物理生化检查、成像条件、影像报告(作为参考报告)等信息，并将这些大量的病例数据实时动态地上传至第二服务器；其次为基层医生(受训者)提供客户端软件，软件不断地从第二服务器的数据模块逐个获取影像数据和相应的病例、检查条件以及影像报告(作为参考影像报告)等，在受训者手动输入报告并上传至第二服务器后，第二服务器利用人工智能技术对受训者所撰写的待评估影像报告和参考影像报告进行自动比对，实现影像报告质量的自动评估。
本申请实施例提供了一种计算机设备，该设备可以包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的一种影像操练数据处理方法。
本申请实施例还提供了一种存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行上述任一所述的一种影像操练数据处理方法。
进一步地，图11示出了一种用于实现本申请实施例所提供的方法的设备的硬件结构示意图，所述设备可以为计算机终端、移动终端或服务器，所述设备还可以参与构成或包含本申请实施例所提供的装置。如图11所示，计算机终端11(移动终端11或服务器11)可以包括一个或多个(图中采用112a、112b，……，112n来示出)处理器112(处理器112可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器114、以及用于通信功能的传输装置116。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图11所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端11还可包括比图11中所示更多或者更少的组件，或者具有与图11所示不同的配置。
应当注意到的是上述一个或多个处理器112和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端11(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器114可用于存储应用软件的软件程序以及模块，如本申请实施例中所述的方法对应的程序指令/数据存储装置，处理器112通过运行存储在存储器114内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种神经网络处理方法。存储器114可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器114可进一步包括相对于处理器112远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端11。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置116用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端11的通信供应商提供的无线网络。在一个实例中，传输装置116包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置116可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端11(或移动设备)的用户界面进行交互。
需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种影像操练数据处理方法，其特征在于，包括：
响应于影像操练请求指令，确定待操练数据；所述待操练数据包括待操练影像和所述待操练影像对应的基本数据；
接收受训者针对所述待操练影像的待评估影像报告；
获取所述待操练影像对应的参考影像报告；
基于所述参考影像报告，确定所述待评估影像报告的操练质量；
其中，所述操练质量的指标包括以下至少一种：报告形式规范性、报告相似性和报告内容准确性；
在所述操练质量的指标包括报告形式规范性的情况下，所述操练质量包括基于所述待评估影像报告的第一结构化序列和所述参考影像报告的第二结构化序列，对所述待评估影像报告进行报告形式规范性分析所得到的第一操练质量结果；所述第一结构化序列包括多个待评估字符串对，所述第二结构化序列包括多个参考字符串对，每个待评估字符串对和每个参考字符串对分别基于解剖部位、影像特征和对应的病灶征象所组成。
2.根据权利要求1所述的方法，其特征在于，所述待评估影像报告是基于所述待操练影像和所述待操练影像对应的基本数据所确定；所述基于所述参考影像报告，确定所述待评估影像报告的操练质量，包括：
生成用于描述所述待评估影像报告的文本特征的第一向量；
生成用于描述所述参考影像报告的文本特征的第二向量；
基于所述第一向量和所述第二向量，确定所述待评估影像报告的操练质量。
3.根据权利要求2所述的方法，其特征在于，在所述操练质量的指标包括报告形式规范性的情况下，所述基于所述第一向量和所述第二向量，确定所述待评估影像报告的操练质量，包括：
对所述第一向量进行医学信息提取，得到包含多个待评估字符串对的第一结构化序列；每个待评估字符串对的序列排序与对应的医学信息在待评估影像报告中的位置排序相匹配；
对所述第二向量进行医学信息提取，得到包含多个参考字符串对的第二结构化序列；每个参考字符串对的序列排序与对应的医学信息在参考影像报告中的位置排序相匹配；
基于所述第一结构化序列和所述第二结构化序列，对所述待评估影像报告进行报告形式规范性分析，得到第一操练质量结果。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第一结构化序列和所述第二结构化序列，对所述待评估影像报告进行报告形式规范性分析，得到第一操练质量结果，包括：
基于所述每个待评估字符串对的序列排序和所述每个参考字符串对的序列排序，对所述待评估影像报告进行第一报告形式规范性分析，得到第一规范性质量；
基于所述第一结构化序列中至少一个第一词向量和所述第二结构化序列中至少一个第二词向量，对所述待评估影像报告进行第二报告形式规范性分析，得到第二规范性质量；所述第一词向量和所述第二词向量均用于描述病灶征象；
基于所述第一规范性质量和所述第二规范性质量，得到所述第一操练质量结果。
5.根据权利要求4所述的方法，其特征在于，所述基于所述每个待评估字符串对的序列排序和所述每个参考字符串对的序列排序，对所述待评估影像报告进行第一报告形式规范性分析，得到第一规范性质量，包括：
对所述每个待评估字符串对中第一元素进行词条规范化处理，得到规范化后的每个待评估字符串对；所述第一元素用于描述解剖部位和影像特征；
对所述每个参考字符串对中第二元素进行词条规范化处理，得到规范化后的每个参考字符串对；所述第二元素用于描述解剖部位和影像特征；
对所述规范化后的每个待评估字符串对的序列排序和所述规范化后的每个参考字符串对的序列排序进行元素排序的差异性分析，得到所述第一规范性质量。
6.根据权利要求2所述的方法，其特征在于，在所述操练质量的指标包括报告相似性的情况下，所述基于所述第一向量和所述第二向量，确定所述待评估影像报告的操练质量，包括：
基于所述第一向量，确定所述待评估影像报告中每个语句的第一目标语句向量；
基于所述第二向量，确定所述参考影像报告中每个语句的第二目标语句向量；
确定每个所述第一目标语句向量和对应的每个所述第二目标语句向量之间的向量距离；
基于所述向量距离，确定所述待评估影像报告对应的第二操练质量结果，所述第二操练质量结果表征待评估影像报告和参考影像报告的报告相似性。
7.根据权利要求2所述的方法，其特征在于，在所述操练质量的指标包括报告内容准确性的情况下，所述基于所述第一向量和所述第二向量，确定所述待评估影像报告的操练质量，包括：
基于所述第一向量，确定针对所述待操练影像的待评估检测结果特征；
获取针对所述待操练影像的实际检测结果特征；
基于所述待评估检测结果特征和所述实际检测结果特征，对所述待评估影像报告进行报告内容准确性分析，得到第三操练质量结果。
8.根据权利要求1-7任一所述的方法，其特征在于，所述方法还包括向所述受训者推荐待操练数据的步骤；所述向所述受训者推荐待操练数据，包括：
获取受训者的目标画像数据；
基于所述受训者的目标画像数据，确定待推荐的待操练数据；
基于预设推荐规则，向所述受训者推荐所述待推荐的待操练数据；
其中，所述目标画像数据包括以下至少一种：感兴趣影像案例的类型、历史操练影像案例的类型及其对应的类型分布数据、历史操练影像案例的难易程度及其对应的难易程度分布数据、和历史操练影像案例的操练质量的结果。
9.一种影像操练数据处理系统，其特征在于，包括：
待操练数据确定模块，用于响应于影像操练请求指令，确定待操练数据；所述待操练数据包括待操练影像和所述待操练影像对应的基本数据；
报告接收模块，用于接收受训者针对所述待操练影像的待评估影像报告；
获取模块，用于获取所述待操练影像对应的参考影像报告；
处理模块，用于基于所述参考影像报告，确定所述待评估影像报告的操练质量；
其中，所述操练质量的指标包括以下至少一种：报告形式规范性、报告相似性和报告内容准确性；
在所述操练质量的指标包括报告形式规范性的情况下，所述操练质量包括基于所述待评估影像报告的第一结构化序列和所述参考影像报告的第二结构化序列，对所述待评估影像报告进行报告形式规范性分析所得到的第一操练质量结果；所述第一结构化序列包括多个待评估字符串对，所述第二结构化序列包括多个参考字符串对，每个待评估字符串对和每个参考字符串对分别基于解剖部位、影像特征和对应的病灶征象所组成。
10.根据权利要求9所述的系统，其特征在于，还包括：
显示控制模块，用于控制影像操练界面的显示；所述影像操练界面包括操练数据区域、待评估报告区域和初始状态为未激活状态的参考报告区域；
所述显示控制模块包括：
激活单元，用于在接收到所述待评估影像报告后，激活所述参考报告区域；
第一显示控制单元，用于基于对激活后的参考报告区域的显示操作指令，控制所述待操练影像对应的参考报告的显示；
第二显示控制单元，用于控制操练质量的结果在所述控制影像操练界面上显示。
11.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行如权利要求1至8任一所述的影像操练数据处理方法。
CN201911359141.1A 2019-12-25 2019-12-25 一种影像操练数据处理方法、系统及存储介质 Active CN111192682B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911359141.1A CN111192682B (zh) 2019-12-25 2019-12-25 一种影像操练数据处理方法、系统及存储介质
US17/133,578 US20210201701A1 (en) 2019-12-25 2020-12-23 Systems and methods for medical diagnosis training

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911359141.1A CN111192682B (zh) 2019-12-25 2019-12-25 一种影像操练数据处理方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN111192682A CN111192682A (zh) 2020-05-22
CN111192682B true CN111192682B (zh) 2024-04-09

Family

ID=70710505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911359141.1A Active CN111192682B (zh) 2019-12-25 2019-12-25 一种影像操练数据处理方法、系统及存储介质

Country Status (2)

Country Link
US (1) US20210201701A1 (zh)
CN (1) CN111192682B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696012A (zh) * 2020-06-15 2020-09-22 中国医学科学院医学信息研究所 医疗影像远程教学方法、装置、设备及存储介质
CN111768098A (zh) * 2020-06-28 2020-10-13 湖北省科技传媒有限责任公司 一种创新评估监测系统及其评估方法
CN111767952B (zh) * 2020-06-30 2024-03-29 重庆大学 一种可解释的肺结节良恶性分类方法
CN112017177B (zh) * 2020-09-08 2023-12-01 科大讯飞股份有限公司 一种参考影像确定方法、装置、设备及存储介质
CN112329448B (zh) * 2020-11-13 2024-02-20 浙江卡易智慧医疗科技有限公司 一种书写报告智能纠错和注意信息智能提示方法
CN112509658A (zh) * 2020-11-13 2021-03-16 陈云天 基于诊断能力自动授权审核报告权限的系统及方法
CN112509660A (zh) * 2020-11-30 2021-03-16 北京百度网讯科技有限公司 体检报告生成方法、装置、设备和存储介质
CN112862342A (zh) * 2021-02-26 2021-05-28 复旦大学附属中山医院 基于人工智能的影像质量关键要素评价的智能判别方法
CN113205126A (zh) * 2021-04-27 2021-08-03 武汉工程大学 一种基于神经网络的胸部x光片识别检测系统和方法
CN113627492B (zh) * 2021-07-20 2024-06-04 东软医疗系统股份有限公司 扫描对象尺寸的确定方法、扫描方法、装置和电子设备
CN113763406B (zh) * 2021-07-28 2024-04-26 华中师范大学 基于半监督学习的婴儿脑mri分割方法
CN113963803A (zh) * 2021-10-15 2022-01-21 杭州太美星程医药科技有限公司 数据处理方法和装置、计算机可读存储介质和电子设备
CN114373373A (zh) * 2022-01-10 2022-04-19 北京易优联科技有限公司 一种肺功能检查人员考试方法和系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2943879A1 (fr) * 2009-03-30 2010-10-01 Univ Nantes Procede et dispositif d'evaluation de la qualite visuelle d'une image ou d'une sequence d'images, mettant en oeuvre des indicateurs objectifs, et programme d'ordinateur correspondant.
CN103714230A (zh) * 2012-09-29 2014-04-09 西门子公司 一种读医学影像文件的方法和装置
CN104391963A (zh) * 2014-12-01 2015-03-04 北京中科创益科技有限公司 一种自然语言文本关键词关联网络构建方法
CN107315772A (zh) * 2017-05-24 2017-11-03 北京邮电大学 基于深度学习的问题匹配方法以及装置
CN107704453A (zh) * 2017-10-23 2018-02-16 深圳市前海众兴电子商务有限公司 一种文字语义分析方法、文字语义分析终端及存储介质
CN107767928A (zh) * 2017-09-15 2018-03-06 深圳市前海安测信息技术有限公司 基于人工智能的医学影像报告生成系统及方法
CN108052588A (zh) * 2017-12-11 2018-05-18 浙江大学城市学院 一种基于卷积神经网络的文档自动问答系统的构建方法
CN108509407A (zh) * 2017-02-27 2018-09-07 广东神马搜索科技有限公司 文本语义相似度计算方法、装置及用户终端
CN108628825A (zh) * 2018-04-10 2018-10-09 平安科技（深圳）有限公司 文本信息相似度匹配方法、装置、计算机设备及存储介质
CN108665950A (zh) * 2018-04-16 2018-10-16 首都医科大学附属北京同仁医院 基于卷积神经网络生成结构化医学影像报告的方法和系统
DE102019202090A1 (de) * 2018-03-14 2019-09-19 Robert Bosch Gmbh Verfahren zum Erzeugen eines Trainingsdatensatzes zum Trainieren eines Künstlichen-Intelligenz-Moduls für eine Steuervorrichtung eines Roboters
CN110276066A (zh) * 2018-03-16 2019-09-24 北京国双科技有限公司 实体关联关系的分析方法及相关装置
CN110428415A (zh) * 2019-08-05 2019-11-08 上海联影医疗科技有限公司 医学图像的质量评估方法、装置、设备及存储介质
CN110458817A (zh) * 2019-08-05 2019-11-15 上海联影医疗科技有限公司 医学图像的质量预测方法、装置、设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030061070A1 (en) * 2001-09-25 2003-03-27 Kelly Gina E. Interactive medical training system
US20040064298A1 (en) * 2002-09-26 2004-04-01 Robert Levine Medical instruction using a virtual patient
US8506305B2 (en) * 2008-12-23 2013-08-13 Deck Chair Learning Systems Inc. Electronic learning system
US20110311116A1 (en) * 2010-06-17 2011-12-22 Creighton University System and methods for anatomical structure labeling
WO2012154216A1 (en) * 2011-05-06 2012-11-15 Sti Medical Systems, Llc Diagnosis support system providing guidance to a user by automated retrieval of similar cancer images with user feedback
US10140888B2 (en) * 2012-09-21 2018-11-27 Terarecon, Inc. Training and testing system for advanced image processing
US10318870B2 (en) * 2014-11-19 2019-06-11 International Business Machines Corporation Grading sources and managing evidence for intelligence analysis
WO2016093791A1 (en) * 2014-12-08 2016-06-16 Hewlett-Packard Development Company, L.P. Organizing training sequences

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2943879A1 (fr) * 2009-03-30 2010-10-01 Univ Nantes Procede et dispositif d'evaluation de la qualite visuelle d'une image ou d'une sequence d'images, mettant en oeuvre des indicateurs objectifs, et programme d'ordinateur correspondant.
CN103714230A (zh) * 2012-09-29 2014-04-09 西门子公司 一种读医学影像文件的方法和装置
CN104391963A (zh) * 2014-12-01 2015-03-04 北京中科创益科技有限公司 一种自然语言文本关键词关联网络构建方法
CN108509407A (zh) * 2017-02-27 2018-09-07 广东神马搜索科技有限公司 文本语义相似度计算方法、装置及用户终端
CN107315772A (zh) * 2017-05-24 2017-11-03 北京邮电大学 基于深度学习的问题匹配方法以及装置
CN107767928A (zh) * 2017-09-15 2018-03-06 深圳市前海安测信息技术有限公司 基于人工智能的医学影像报告生成系统及方法
CN107704453A (zh) * 2017-10-23 2018-02-16 深圳市前海众兴电子商务有限公司 一种文字语义分析方法、文字语义分析终端及存储介质
CN108052588A (zh) * 2017-12-11 2018-05-18 浙江大学城市学院 一种基于卷积神经网络的文档自动问答系统的构建方法
DE102019202090A1 (de) * 2018-03-14 2019-09-19 Robert Bosch Gmbh Verfahren zum Erzeugen eines Trainingsdatensatzes zum Trainieren eines Künstlichen-Intelligenz-Moduls für eine Steuervorrichtung eines Roboters
CN110276066A (zh) * 2018-03-16 2019-09-24 北京国双科技有限公司 实体关联关系的分析方法及相关装置
CN108628825A (zh) * 2018-04-10 2018-10-09 平安科技（深圳）有限公司 文本信息相似度匹配方法、装置、计算机设备及存储介质
CN108665950A (zh) * 2018-04-16 2018-10-16 首都医科大学附属北京同仁医院 基于卷积神经网络生成结构化医学影像报告的方法和系统
CN110428415A (zh) * 2019-08-05 2019-11-08 上海联影医疗科技有限公司 医学图像的质量评估方法、装置、设备及存储介质
CN110458817A (zh) * 2019-08-05 2019-11-15 上海联影医疗科技有限公司 医学图像的质量预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111192682A (zh) 2020-05-22
US20210201701A1 (en) 2021-07-01

Similar Documents

Publication Publication Date Title
CN111192682B (zh) 一种影像操练数据处理方法、系统及存储介质
US10559386B1 (en) Methods and systems for an artificial intelligence support network for vibrant constituional guidance
Wu et al. Comparison of chest radiograph interpretations by artificial intelligence algorithm vs radiology residents
US11928570B2 (en) Artificial intelligence methods and systems for generation and implementation of alimentary instruction sets
US11461664B2 (en) Methods and systems for an artificial intelligence alimentary professional support network for vibrant constitutional guidance
US10846622B2 (en) Methods and systems for an artificial intelligence support network for behavior modification
Fleiss et al. The equivalence of weighted kappa and the intraclass correlation coefficient as measures of reliability
US10553316B1 (en) Systems and methods for generating alimentary instruction sets based on vibrant constitutional guidance
US11878215B2 (en) Methods and systems for an artificial intelligence fitness professional support network for vibrant constitional guidance
Liao et al. Applying artificial intelligence technology to support decision-making in nursing: A case study in Taiwan
Loveday et al. The capability of static and dynamic features to distinguish competent from genuinely expert practitioners in pediatric diagnosis
CN112329964A (zh) 用于推送信息的方法、装置、设备以及存储介质
CN112712879A (zh) 医学影像报告的信息提取方法、装置、设备及存储介质
US11328819B2 (en) Methods and systems for an artificial intelligence fitness professional support network for vibrant constitutional guidance
US11393589B2 (en) Methods and systems for an artificial intelligence support network for vibrant constitutional guidance
US11568351B2 (en) Systems and methods for arranging transport of alimentary components
US10847261B1 (en) Methods and systems for prioritizing comprehensive diagnoses
US10936962B1 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform
US11205140B2 (en) Methods and systems for self-fulfillment of an alimentary instruction set based on vibrant constitutional guidance
US20200321115A1 (en) Systems and methods for generating alimentary instruction sets based on vibrant constitutional guidance
US20240197245A1 (en) Methods and systems for utilizing diagnostics for informed vibrant constituional guidance
Pinnock et al. Humans and machines: moving towards a more symbiotic approach to learning clinical reasoning
Zhang et al. Comparison of chest radiograph captions based on natural language processing vs completed by radiologists
US12087442B2 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform
US20240006039A1 (en) Medical structured reporting workflow assisted by natural language processing techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant