CN112215835A - 一种图文系统中模板化报告的信息处理方法及装置 - Google Patents

一种图文系统中模板化报告的信息处理方法及装置 Download PDF

Info

Publication number
CN112215835A
CN112215835A CN202011140108.2A CN202011140108A CN112215835A CN 112215835 A CN112215835 A CN 112215835A CN 202011140108 A CN202011140108 A CN 202011140108A CN 112215835 A CN112215835 A CN 112215835A
Authority
CN
China
Prior art keywords
information
obtaining
training data
user
target area
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.)
Pending
Application number
CN202011140108.2A
Other languages
English (en)
Inventor
刘茗露
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202011140108.2A priority Critical patent/CN112215835A/zh
Publication of CN112215835A publication Critical patent/CN112215835A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • 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
    • 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
    • G06T2207/10068—Endoscopic 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • 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
    • G06T2207/30028—Colon; Small intestine
    • 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
    • G06T2207/30092—Stomach; Gastric

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Endoscopes (AREA)

Abstract

本发明公开了一种图文系统中模板化报告的信息处理方法及装置，涉及数据处理技术领域，包括：获得第一用户的第一图像信息，根据所述第一图像信息获得目标区域的部位信息；根据所述第一图像信息获得目标区域的尺寸信息；获得第一高危影响系数；将部位信息和第一高危影响系数的乘积作为第一输入信息；获得第二高危影响系数；将尺寸信息和第二高危影响系数的乘积作为第二输入信息；根据所述第一输入信息和所述第二输入信息构建训练数据集，将所述训练数据集输入第一模型，获得第一模型的输出信息，其中，输出信息包括第一输出结果和第二输出结果，获得第一模板信息；将部位信息、尺寸信息和输出信息输入所述第一模板信息，获得报告预览信息。

Description

一种图文系统中模板化报告的信息处理方法及装置
技术领域
本申请涉及数据处理技术领域，尤其涉及一种图文系统中模板化报告的信息处理方法及装置。
背景技术
随着我国老龄人口化，老年人及45岁以上做胃肠镜体检的人数每年井喷式增长。内镜属于侵入性检查，就拿胃镜来说，从口腔到食管，再到胃，通过幽门，到十二指肠，不但要检查的部位多，而且检查持续时间长。
但本申请发明人在实现本申请实施例中技术方案的过程中，发现上述现有技术至少存在如下技术问题：
现有技术中内镜手术繁重而复杂，往往医生在做完手术后进行病情文字编辑的时候，会出现一定的判断和记忆上的误差，而且术后的文字编辑使得原本刚刚做完繁重手术医生更是精力憔悴。
申请内容
本申请实施例通过提供一种图文系统中模板化报告的信息处理方法及装置，用以解决现有技术中医生在术后进行病情文字编辑，存在判断误差，记忆误差的技术问题，达到了提高术后报告准确性的技术效果。
为了解决上述问题，第一方面，本申请实施例提供了一种图文系统中模板化报告的信息处理方法，所述方法包括：获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；根据所述第一图像信息获得目标区域的部位信息；根据所述第一图像信息获得目标区域的尺寸信息；获得第一高危影响系数；将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；获得第二高危影响系数；将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；根据所述第一输入信息和所述第二输入信息构建训练数据集；获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；将所述训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危的结果，所述第二输出结果为所述目标区域为非高危的结果；获得第一模板信息；将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。
进一步的，所述方法包括：
将所述第N训练数据和第N-1验证码作为第N区块；获得所述第N区块记录时间，所述第N区块记录时间表示第N区块需要记录的时间；根据所述第N区块记录时间，获得所述M台设备中运力最快的第一设备；将第N区块的记录权发送给所述第一设备。
进一步的，所述获得报告预览信息之后，包括：
根据所述报告预览信息，获得来自第一用户的第一评价分值信息，其中，所述第一用户为患者本人；根据所述报告预览信息，获得来自第二用户的第二评价分值信息，其中，所述第二用户为患者家属；根据所述报告预览信息，获得来自第三用户的第三评价分值信息，其中，所述第三用户为专家库专家，所述第三评价信息为所述专家库中专家的综合评价信息；获得预定分值阈值；分别判断所述第一评价分值信息、所述第二评价分值信息和所述第三评价分值信息是否超过所述预定分值阈值；如果所述第一评价分值信息、所述第二评价分值信息和所述第三评价分值信息中至少有一个未达到所述预定分值阈值，获得第一调整信息，根据所述第一调整信息，对所述报告预览信息进行调整。
进一步的，所述获得第一高危影响系数，包括：
获得第一基础影响系数；获得所述第一用户的家病史信息；根据所述家族病史信息，对所述第一基础影响系数进行加权计算，获得第一高危影响系数。
进一步的，所述获得第二高危影响系数，包括：
获得所述第一用户的年龄信息；将所述第一用户的年龄信息输入抛物线回归模型，具体公式如下：y＝β0+β1x+β2x2其中，β0、β1、β2为未知参数，所述未知参数通过多组数据训练获得；y为所述第二高危影响系数；x为所述第一用户的年龄信息。
进一步的，所述方法还包括：
根据所述报告预览信息，获得所述第一用户的病情严重程度信息；
获得预定病情严重程度阈值；
判断所述第一用户的病情严重程度信息是否超过所述预定病情严重程度阈值；
如果所述第一用户的病情严重程度信息超过所述预定病情严重程度阈值，
获得所述第一用户的肾上腺素分泌水平信息；
获得预定肾上腺分泌阈值；
判断所述第一用户的肾上腺素分泌水平信息是否超过所述预定肾上腺分泌阈值，获得第一判断结果；
根据所述第一判断结果，确定是否获得第一发送信息；
根据所述第一发送信息，向所述第一用户发送所述报告预览信息；
如果所述第一用户的病情严重程度信息未超过所述预定病情严重程度阈值，获得第一发送信息。
进一步的，所述根据所述第一判断结果，确定是否获得第一发送信息，包括：
如果所述第一判断结果为所述第一用户的肾上腺素分泌水平信息超过所述预定肾上腺分泌阈值，禁止获得所述第一发送信息；
如果所述第一判断结果为所述第一用户的肾上腺素分泌水平信息未超过所述预定肾上腺分泌阈值，获得所述第一发送信息。
第二方面，本申请实施例还提供了一种图文系统中模板化报告的信息处理装置，所述装置包括：
第一获得单元，所述第一获得单元用于获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；
第二获得单元，所述第二获得单元用于根据所述第一图像信息获得目标区域的部位信息；
第三获得单元，所述第三获得单元用于根据所述第一图像信息获得目标区域的尺寸信息；
第四获得单元，所述第四获得单元用于获得第一高危影响系数；
第五获得单元，所述第五获得单元用于将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；
第六获得单元，所述第六获得单元用于获得第二高危影响系数；
第七获得单元，所述第七获得单元用于将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；
第八获得单元，所述第八获得单元用于根据所述第一输入信息和所述第二输入信息构建训练数据集；
第九获得单元，所述第九获得单元用于获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；
第十获得单元，所述第十获得单元用于获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；
第一保存单元，所述第一保存单元用于将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；
第一输入单元，所述第一输入单元用于将所述训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；
第十一获得单元，所述第十一获得单元用于获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危的结果，所述第二输出结果为所述目标区域为非高危的结果；
第十二获得单元，所述第十二获得单元用于获得第一模板信息；
第十三获得单元，所述第十三获得单元用于将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。
优选地，所述装置包括：
第十四获得单元，所述第十四获得单元用于将所述第N训练数据和第N-1验证码作为第N区块；
第十五获得单元，所述第十五获得单元用于获得所述第N区块记录时间，所述第N区块记录时间表示第N区块需要记录的时间；
第十六获得单元，所述第十六获得单元用于根据所述第N区块记录时间，获得所述M台设备中运力最快的第一设备；
第一发送单元，所述第一发送单元用于将第N区块的记录权发送给所述第一设备。
优选地，所述装置包括：
第十七获得单元，所述第十七获得单元用于根据所述报告预览信息，获得来自第一用户的第一评价分值信息，其中，所述第一用户为患者本人；
第十八获得单元，所述第十八获得单元用于根据所述报告预览信息，获得来自第二用户的第二评价分值信息，其中，所述第二用户为患者家属；
第十九获得单元，所述第十九获得单元用于根据所述报告预览信息，获得来自第三用户的第三评价分值信息，其中，所述第三用户为专家库专家，所述第三评价信息为所述专家库中专家的综合评价信息；
第二十获得单元，所述第二十获得单元用于获得预定分值阈值；
第一判断单元，所述第一判断单元用于分别判断所述第一评价分值信息、所述第二评价分值信息和所述第三评价分值信息是否超过所述预定分值阈值；
第二十一获得单元，所述第二十一获得单元用于如果所述第一评价分值信息、所述第二评价分值信息和所述第三评价分值信息中至少有一个未达到所述预定分值阈值，获得第一调整信息，根据所述第一调整信息，对所述报告预览信息进行调整。
优选地，所述装置包括：
第二十二获得单元，所述第二十二获得单元用于获得第一基础影响系数；
第二十三获得单元，所述第二十三获得单元用于获得所述第一用户的家病史信息：
第二十四获得单元，所述第二十四获得单元用于根据所述家族病史信息，对所述第一基础影响系数进行加权计算，获得第一高危影响系数；
第二十五获得单元，所述第二十五获得单元用于获得所述第一用户的年龄信息；
第二输入单元，所述第二输入单元用于将所述第一用户的年龄信息输入物线回归模型，具体公式如下：
y＝β0+β1x+β2x2
其中β0、β1、β2为未知参数，所述未知参数通过多组数据训练获得；y为所述第二高危影响系数；x为所述第一用户的年龄信息。
优选的，所述装置包括：
第二十六获得单元，所述第二十六获得单元用于根据所述报告预览信息，获得所述第一用户的病情严重程度信息；
第二十七获得单元，所述第二十七获得单元用于获得预定病情严重程度阈值；
第二判断单元，所述第二判断单元用于判断所述第一用户的病情严重程度信息是否超过所述预定病情严重程度阈值；
第二十八获得单元，所述第二十八获得单元用于如果所述第一用户的病情严重程度信息超过所述预定病情严重程度阈值，获得所述第一用户的肾上腺素分泌水平信息；
第二十九获得单元，所述第二十九获得单元用于获得预定肾上腺分泌阈值；
第三判断单元，所述第三判断单元用于判断所述第一用户的肾上腺素分泌水平信息是否超过所述预定肾上腺分泌阈值，获得第一判断结果；
第一确定单元，所述第一确定单元用于根据所述第一判断结果，确定是否获得第一发送信息；
第二发送单元，所述第二发送单元用于根据所述第一发送信息，向所述第一用户发送所述报告预览信息；
第三十获得单元，所述第三十获得单元用于如果所述第一用户的病情严重程度信息未超过所述预定病情严重程度阈值，获得第一发送信息。
优选地，所述装置包括：
第三十一获得单元，所述第三十一获得单元用于如果所述第一判断结果为所述第一用户的肾上腺素分泌水平信息超过所述预定肾上腺分泌阈值，禁止获得所述第一发送信息；
第三十二获得单元，所述第三十二获得单元用于如果所述第一判断结果为所述第一用户的肾上腺素分泌水平信息未超过所述预定肾上腺分泌阈值，获得所述第一发送信息。
第三方面，本申请实施例还提供了一种图文系统中模板化报告的信息处理的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；根据所述第一图像信息获得目标区域的部位信息；根据所述第一图像信息获得目标区域的尺寸信息；获得第一高危影响系数；将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；获得第二高危影响系数；将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；根据所述第一输入信息和所述第二输入信息构建训练数据集；获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；将所述训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危的结果，所述第二输出结果为所述目标区域为非高危的结果；获得第一模板信息；将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；根据所述第一图像信息获得目标区域的部位信息；根据所述第一图像信息获得目标区域的尺寸信息；获得第一高危影响系数；将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；获得第二高危影响系数；将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；根据所述第一输入信息和所述第二输入信息构建训练数据集；获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；将所述训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危的结果，所述第二输出结果为所述目标区域为非高危的结果；获得第一模板信息；将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本申请实施例通过提供一种图文系统中模板化报告的信息处理方法及装置，所述方法包括：获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；根据所述第一图像信息获得目标区域的部位信息；根据所述第一图像信息获得目标区域的尺寸信息；获得第一高危影响系数；将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；获得第二高危影响系数；将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；根据所述第一输入信息和所述第二输入信息构建训练数据集；获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；将所述训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危的结果，所述第二输出结果为所述目标区域为非高危的结果；获得第一模板信息；将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。解决了现有技术中医生在术后进行病情文字编辑，存在判断误差，记忆误差的技术问题，达到了提高术后报告准确性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本发明实施例中一种图文系统中模板化报告的信息处理方法的流程示意图；
图2为本发明实施例中一种图文系统中模板化报告的信息处理的装置的结构示意图；
图3为本发明实施例中另一种图文系统中模板化报告的信息处理的装置的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第六获得单元16，第七获得单元17，第八获得单元18，第九获得单元19，第十获得单元20，第一保存单元21，第一输入单元22，第十一获得单元23，第十二获得单元24，第十三获得单元25，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本申请实施例提供了一种图文系统中模板化报告的信息处理方法及装置，解决了现有技术中医生在术后进行病情文字编辑，存在判断误差，记忆误差的技术问题。
为了解决上述技术问题，本申请提供的技术方案总体思路如下：获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；根据所述第一图像信息获得目标区域的部位信息；根据所述第一图像信息获得目标区域的尺寸信息；获得第一高危影响系数；将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；获得第二高危影响系数；将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；根据所述第一输入信息和所述第二输入信息构建训练数据集；获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；将所述训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危的结果，所述第二输出结果为所述目标区域为非高危的结果；获得第一模板信息；将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。达到输出的病情报告准确，减轻了内镜医生的文字编辑工作，为繁重的手术过程赢得了休息的间隙，使得医生将宝贵精力集中在观察、分析和判断的手术核心内容之中的效果。
下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
实施例一
图1为本发明实施例中一种图文系统中模板化报告的信息处理方法的流程示意图，所述方法包括：
步骤110：获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；
具体而言，本申请实施例中，适用的内镜包括食道镜、胃镜、十二指肠镜、小肠镜、结肠镜、超声内镜、胆道镜、胶囊内镜、喉镜、支气管镜、腹腔镜、胆道镜、阴道镜、宫腔镜、血管内腔镜、关节腔镜。包括传统的电子侵入性内镜以及胶囊胃镜，所述第一图像信息为通过内镜拍摄人体器官腔内的实时图像信息。其中，内镜的实时图像信息为尺寸、比例、像素相同的图像信息。
步骤120：根据所述第一图像信息获得目标区域的部位信息；
具体而言，所述部位信息可以是根据所述第一图像信息识别获得的内镜能检查到的部位信息，包括但不限于：口咽部、食管上段、食管中段、食管下段、贲门、胃底、胃体上部、胃体中部、胃体下部、胃角、胃窦、幽门、十二指肠球部、十二指肠降部、空肠、回肠、回肠末端、回盲部、升结肠、肝曲、横结肠、脾曲、降结肠、乙状结肠、直肠、肛管等。
步骤130：根据所述第一图像信息获得目标区域的尺寸信息；
具体而言，当第一图像探测到病灶后，对所述病灶进行标记，同时测量并记录所述病灶部位预测尺寸，即获得所述目标区域的尺寸信息。
步骤140：获得第一高危影响系数；
步骤150：将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息。
进一步的，所述获得第一高危影响系数，包括：获得第一基础影响系数；获得所述第一用户的家病史信息；根据所述家族病史信息，对所述第一基础影响系数进行加权计算，获得第一高危影响系数。
具体而言，由于内镜的诊断评估结果可能受到多种因素的影响，为了保证内镜的诊断评估的准确度，产生了所述的第一高危影响系数。所述高危影响系数是根据所述第一用户的家病史信息获得的，根据家族病史信息，对第一基础影响系数进行加权计算，来获得第一高危影响系数。根据所述部位信息和所述第一高危影响系数的乘机作为第一输入信息，为后续能准确判断病情种类夯实了基础。
步骤160：获得第二高危影响系数；
步骤170：将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息。
进一步的，所述获得第二高危影响系数，包括：获得所述第一用户的年龄信息；将所述第一用户的年龄信息输入抛物线回归模型，具体公式如下：
y＝β0+β1x+β2x2其中，β0、β1、β2为未知参数，所述未知参数通过多组数据训练获得；y为所述第二高危影响系数；x为所述第一用户的年龄信息。
具体而言，由于病灶具有临床的多样性以及个体的差异性，与预定评估标准可能无法完全一致，为了能够给诊断提供充足的确诊信息，还对所述尺寸信息进行进一步约束，即所述第二高危影响系数。具体来说，所述第二高危影响系数是根据第一用户的年龄计算获得的。将所述第一用户的年龄信息输入抛物线回归模型：y＝β0+β1x+β2x2，其中，y为所述第二高危影响系数，x为所述第一用户的年龄信息，β0、β1、β2为未知参数，所述未知参数通过多组数据训练获得，这里不再展开介绍。将所述第二高危影响参数和所述尺寸信息的乘积作为第二输入信息。
步骤180：根据所述第一输入信息和所述第二输入信息构建训练数据集；
步骤190：获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；
步骤200：获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；
具体而言，将所述第一输入信息和第二输入信息构建成训练数据集；将所述第一训练数据进行hash计算，获得第一验证码，所述第一验证码与所述第一训练数据为一一对应关系。获得第二训练数据，将所述第二训练数据和第一验证码进行hash计算，获得第二验证码，所述第二验证码与(第二训练数据+第一验证码)构成的整体一一对应；获得第三训练数据，将所述第三训练数据和第二验证码进行hash计算，获得第三验证码，所述第三验证码与(第三训练数据+第二验证码)构成的整体一一对应；...以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；通过对所述训练数据进行区块处理的方式，使得训练数据的输入数据可追溯，不能被私自篡改，进而为获得更加准确的第一模型夯实了基础。
步骤210：将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；
具体而言，将所述训练数据及其验证码保存在多台设备上，每台设备均保存了完整的训练数据信息，理论上来说除非所有的设备上的所有的训练数据都被破坏或者篡改，否则所述训练数据的输入数据不会被篡改或丢失。再进一步通过共识机制，即所有的存储设备达成共识，去认定所存储的信息的有效性，少数服从多数。通过“分布式账本”的存储方式及共识机制，来保证输入数据的安全性，进而可以通过所述训练数据获得更加准确的第一模型。
步骤220：将所述训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；
进一步的，所述第一模型包括：获得所述目标区域的部位信息，并将所述部位信息作为横坐标；获得所述目标区域的尺寸信息，并将所述部位信息作为纵坐标；采用回归模型根据所述横坐标和所述纵坐标获得第一回归线，所述第一回归线的一侧表示第一输出结果，所述逻辑回归线的另一侧表示第二输出结果，其中，所述第一输出结果和所述第二输出结果不同。
具体而言，第一模型即机器学习中的神经网络模型，神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。在本申请实施例中，所述第一模型通过多组数据训练获得，所述训练数据中每一组训练数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息。将第一输入信息和第二输入信息输入第一模型，所述第一模型输出一输出信息，将所述输出信息与所述标识的所述目标区域是否为高危或非高危的标识信息进行比对。
进一步来说，所述训练学习的过程实质上是监督学习的过程，所述多组训练数据实质为监督学习数据。具体来说，所述监督数据中每组数据均包括：第一输入信息，所述第二输入信息，标识所述目标区域是否为高危的标识信息。所述监督学习过程为：将所述监督数据的第一输入信息和第二输入信息输入第一模型，所述第一模型输出一输出信息，将所述输出信息同标识所述目标区域是否为高危的标识信息进行比对：如果相一致，则本组数据监督学习完成，进行下一组数据监督学习；若不一致，则所述第一模型进行自我修正，直至获得的输出信息同标识信息一致为止，本组数据监督学习过程结束，进行下一组数据监督学习。
步骤230：获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危的结果，所述第二输出结果为所述目标区域为非高危的结果；
具体而言，所述第一模型是采用逻辑回归模型建立的。具体来说，将所述目标区域部位信息作为横坐标，将所述尺寸信息作为纵坐标，根据所述横纵坐标构建坐标系。采用逻辑回归模型在所述坐标系中获得逻辑回归线，所述逻辑回归线还包括第一位置和第一角度，所述第一位置和第一角度可根据影响判断病灶种类的特征进行调整，从而改变逻辑回归线的位置，这里不再详细展开。所述逻辑回归线的一侧表示第一输出结果：所述目标区域高危；所述逻辑回归线的另一侧表示第二输出结果：所述目标区域非高危。通过逻辑回归模型与监督学习相互结合的方式，使得第一模型对所述第一输入信息和第二输入信息的判断更加准确，即获得的输出结果准确，降低了手术后人工编辑病理时出现判断和记忆的遗漏和误差，达到输出的病情报告准确，减轻了内镜医生的文字编辑工作，为繁重的手术过程赢得了休息的间隙，使得医生将宝贵精力集中在观察、分析和判断的手术核心内容之中的效果。
步骤240：获得第一模板信息；
步骤250：将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。
进一步来说，所述方法包括：
将所述第N训练数据和第N-1验证码作为第N区块；获得所述第N区块记录时间，所述第N区块记录时间表示第N区块需要记录的时间；根据所述第N区块记录时间，获得所述M台设备中运力最快的第一设备；将第N区块的记录权发送给所述第一设备；
具体而言，获得所述第N区块需要的预定记录时间，将不能在预定时间内完成记录所述第N区块的设备排除，获得M台设备中记录第N区块运力最快的第一设备，将所述第N区块的记录权给所述第一设备。进一步而言，所述第一区块、第二区块···第N区块均采用如第N区块的记录方法，进而保证了去中心化区块链系统的安全、有效和稳定运行，能够保证所述区块够被快速准确的记录在设备中，进而保证了训练数据的安全性，进而达到训练模型输出的病情报告准确，减轻了内镜医生的文字编辑工作，为繁重的手术过程赢得了休息的间隙，使得医生将宝贵精力集中在观察、分析和判断的手术核心内容之中的效果。。
进一步来说，所述获得报告预览信息之后，包括：
根据所述报告预览信息，获得来自第一用户的第一评价分值信息，其中，所述第一用户为患者本人；根据所述报告预览信息，获得来自第二用户的第二评价分值信息，其中，所述第二用户为患者家属；根据所述报告预览信息，获得来自第三用户的第三评价分值信息，其中，所述第三用户为专家库专家，所述第三评价信息为所述专家库中专家的综合评价信息；获得预定分值阈值；分别判断所述第一评价分值信息、所述第二评价分值信息和所述第三评价分值信息是否超过所述预定分值阈值；如果所述第一评价分值信息、所述第二评价分值信息和所述第三评价分值信息中至少有一个未达到所述预定分值阈值，获得第一调整信息，根据所述第一调整信息，对所述报告预览信息进行调整。
具体而言，获得报告预览信息后，根据所述患者本人、患者家属、专家库专家三者对于所述预览报告进行评价和考量。其中，根据三者的认知度及感受设置不同的预定分数阈值，患者本人的评价为第一评价分值信息，患者家属的评价为第二评价分值信息，专家库专家的评价为第三评价分值信息，所述三个评价分值信息均设定有自己的预定分数阈值，当所述三个评价分值信息中至少有一个未达到所述预定分数阈值，则获得第一调整信息，所述第一调整信息根据实际情况，对所述预览报告信息进行调整。进而对所述报告信息的准确度及清楚性进一步的保证，达到获得更加准确、有效的报告信息的效果。
进一步来说，所述获得第一高危影响系数，包括：
获得第一基础影响系数；获得所述第一用户的家病史信息；根据所述家族病史信息，对所述第一基础影响系数进行加权计算，获得第一高危影响系数。
具体而言，由于内镜的诊断评估结果可能受到多种因素的影响，为了保证内镜的诊断评估的准确度，产生了所述的第一高危影响系数。所述高危影响系数是根据所述第一用户的家病史信息获得的，根据家族病史信息，对第一基础影响系数进行加权计算，来获得第一高危影响系数。根据所述部位信息和所述第一高危影响系数的乘机作为第一输入信息，为后续能准确判断病情种类夯实了基础。
进一步来说，所述获得第二高危影响系数，包括：
获得所述第一用户的年龄信息；将所述第一用户的年龄信息输入抛物线回归模型，具体公式如下：y＝β0+β1x+β2x2其中，β0、β1、β2为未知参数，所述未知参数通过多组数据训练获得；y为所述第二高危影响系数；x为所述第一用户的年龄信息。
具体而言，由于病灶具有临床的多样性以及个体的差异性，与预定评估标准可能无法完全一致，为了能够给诊断提供充足的确诊信息，还对所述尺寸信息进行进一步约束，即所述第二高危影响系数。具体来说，所述第二高危影响系数是根据第一用户的年龄计算获得的。将所述第一用户的年龄信息输入抛物线回归模型：y＝β0+β1x+β2x2，其中，y为所述第二高危影响系数，x为所述第一用户的年龄信息，β0、β1、β2为未知参数，所述未知参数通过多组数据训练获得，这里不再展开介绍。将所述第二高危影响参数和所述尺寸信息的乘积作为第二输入信息。
进一步来说，所述方法包括：
根据所述报告预览信息，获得所述第一用户的病情严重程度信息；获得预定病情严重程度阈值；判断所述第一用户的病情严重程度信息是否超过所述预定病情严重程度阈值；如果所述第一用户的病情严重程度信息超过所述预定病情严重程度阈值，获得所述第一用户的肾上腺素分泌水平信息；获得预定肾上腺分泌阈值；判断所述第一用户的肾上腺素分泌水平信息是否超过所述预定肾上腺分泌阈值，获得第一判断结果；根据所述第一判断结果，确定是否获得第一发送信息；根据所述第一发送信息，向所述第一用户发送所述报告预览信息；如果所述第一用户的病情严重程度信息未超过所述预定病情严重程度阈值，获得第一发送信息。
如果所述第一判断结果为所述第一用户的肾上腺素分泌水平信息超过所述预定肾上腺分泌阈值，禁止获得所述第一发送信息；如果所述第一判断结果为所述第一用户的肾上腺素分泌水平信息未超过所述预定肾上腺分泌阈值，获得所述第一发送信息。
具体而言，根据所述报告的预览信息，对所述报告进行文字识别，获得所述第一用户的病情信息，获得预先设定的病情严重程度阈值，所述预定病情严重程度阈值为根据病情的种类、致命程度、病情所处的当前时期设定的阈值，当所述病情严重程度未超过预定病情严重程度阈值，可将所述报告直接发送给所述第一用户，当所述病情严重程度超过预定病情严重程度阈值时，获得第一用户的实时肾上腺素分泌信息，获得预定肾上腺素分泌阈值，根据所述第一用户的肾上腺素分泌情况判断所述第一用户是否具备直接接受当前的病情的条件，当所述第一用户的肾上腺素分泌水平信息未超过所述预定肾上腺分泌阈值时，表明所述第一用户具备接受当前病情的条件，此时获得第一发送信息，根据所述第一发送信息向所述第一用户发送所述预览报告信息。如果所述第一判断结果为所述第一用户的肾上腺素分泌水平信息超过所述预定肾上腺分泌阈值，此时表明所述第一用户存在过度紧张和恐惧的状态，禁止获得所述第一发送信息。通过对所述预览报告记载的病情的严重程度及病人的承受能力进行判断，进而达到人性化的根据病情严重程度及病人承受能力进行病情通知的技术效果。
实施例二
基于与前述实施例中一种图文系统中模板化报告的信息处理方法同样的发明构思，本发明还提供一种图文系统中模板化报告的信息处理装置，如图2所示，所述装置包括：
第一获得单元11，所述第一获得单元11用于获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；
第二获得单元12，所述第二获得单元12用于根据所述第一图像信息获得目标区域的部位信息；
第三获得单元13，所述第三获得单元13用于根据所述第一图像信息获得目标区域的尺寸信息；
第四获得单元14，所述第四获得单元14用于获得第一高危影响系数；
第五获得单元15，所述第五获得单元15用于将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；
第六获得单元16，所述第六获得单元16用于获得第二高危影响系数；
第七获得单元17，所述第七获得单元17用于将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；
第八获得单元18，所述第八获得单元18用于根据所述第一输入信息和所述第二输入信息构建训练数据集；
第九获得单元19，所述第九获得单元19用于获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；
第十获得单元20，所述第十获得单元20用于获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；
第一保存单元21，所述第一保存单元21用于将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；
第一输入单元22，所述第一输入单元22用于将训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；
第十一获得单元23，所述第十一获得单元23用于获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危或非高危的结果，所述第二输出结果为所述目标区域为非高危或高危的结果；
第十二获得单元24，所述第十二获得单元24用于获得第一模板信息；
第十三获得单元25，所述第十三获得单元25用于将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息；
优选地，所述装置包括：
第十四获得单元，所述第十四获得单元用于将所述第N训练数据和第N-1验证码作为第N区块；
第十五获得单元，所述第十五获得单元用于获得所述第N区块记录时间，所述第N区块记录时间表示第N区块需要记录的时间；
第十六获得单元，所述第十六获得单元用于根据所述第N区块记录时间，获得所述M台设备中运力最快的第一设备；
第一发送单元，所述第一发送单元用于将第N区块的记录权发送给所述第一设备。
优选地，所述装置包括：
第十七获得单元，所述第十七获得单元用于根据所述报告预览信息，获得来自第一用户的第一评价分值信息，其中，所述第一用户为患者本人；
第十八获得单元，所述第十八获得单元用于根据所述报告预览信息，获得来自第二用户的第二评价分值信息，其中，所述第二用户为患者家属；
第十九获得单元，所述第十九获得单元用于根据所述报告预览信息，获得来自第三用户的第三评价分值信息，其中，所述第三用户为专家库专家，所述第三评价信息为所述专家库中专家的综合评价信息；
第二十获得单元，所述第二十获得单元用于获得预定分值阈值；
第一判断单元，所述第一判断单元用于分别判断所述第一评价分值信息、所述第二评价分值信息和所述第三评价分值信息是否超过所述预定分值阈值；
第二十一获得单元，所述第二十一获得单元用于如果所述第一评价分值信息、所述第二评价分值信息和所述第三评价分值信息中至少有一个未达到所述预定分值阈值，获得第一调整信息，根据所述第一调整信息，对所述报告预览信息进行调整。
优选地，所述装置包括：
第二十二获得单元，所述第二十二获得单元用于获得第一基础影响系数；
第二十三获得单元，所述第二十三获得单元用于获得所述第一用户的家病史信息：
第二十四获得单元，所述第二十四获得单元用于根据所述家族病史信息，对所述第一基础影响系数进行加权计算，获得第一高危影响系数；
第二十五获得单元，所述第二十五获得单元用于获得所述第一用户的年龄信息；
第二输入单元，所述第二输入单元用于将所述第一用户的年龄信息输入物线回归模型，具体公式如下：
y＝β0+β1x+β2x2
其中，β0、β1、β2为未知参数，所述未知参数通过多组数据训练获得；y为所述第二高危影响系数；x为所述第一用户的年龄信息。
优选的，所述装置包括：
第二十六获得单元，所述第二十六获得单元用于根据所述报告预览信息，获得所述第一用户的病情严重程度信息；
第二十七获得单元，所述第二十七获得单元用于获得预定病情严重程度阈值；
第二判断单元，所述第二判断单元用于判断所述第一用户的病情严重程度信息是否超过所述预定病情严重程度阈值；
第二十八获得单元，所述第二十八获得单元用于如果所述第一用户的病情严重程度信息超过所述预定病情严重程度阈值，获得所述第一用户的肾上腺素分泌水平信息；
第二十九获得单元，所述第二十九获得单元用于获得预定肾上腺分泌阈值；
第三判断单元，所述第三判断单元用于判断所述第一用户的肾上腺素分泌水平信息是否超过所述预定肾上腺分泌阈值，获得第一判断结果；
第一确定单元，所述第一确定单元用于根据所述第一判断结果，确定是否获得第一发送信息；
第二发送单元，所述第二发送单元用于根据所述第一发送信息，向所述第一用户发送所述报告预览信息；
第三十获得单元，所述第三十获得单元用于如果所述第一用户的病情严重程度信息未超过所述预定病情严重程度阈值，获得第一发送信息。
优选地，所述装置包括：
第三十一获得单元，所述第三十一获得单元用于如果所述第一判断结果为所述第一用户的肾上腺素分泌水平信息超过所述预定肾上腺分泌阈值，禁止获得所述第一发送信息；
第三十二获得单元，所述第三十二获得单元用于如果所述第一判断结果为所述第一用户的肾上腺素分泌水平信息未超过所述预定肾上腺分泌阈值，获得所述第一发送信息。
前述图1实施例一中的一种图文系统中模板化报告的信息处理方法的各种变化方式和具体实例同样适用于本实施例的一种图文系统中模板化报告的信息处理的装置，通过前述对一种图文系统中模板化报告的信息处理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种图文系统中模板化报告的信息处理的装置的实施方法，所以为了说明书的简洁，在此不再详述。
实施例三
基于与前述实施例中一种图文系统中模板化报告的信息处理方法同样的发明构思，本发明还提供一种图文系统中模板化报告的信息处理的装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种图文系统中模板化报告的信息处理方法的任一方法的步骤。
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
实施例四
基于与前述实施例中一种图文系统中模板化报告的信息处理方法同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；根据所述第一图像信息获得目标区域的部位信息；根据所述第一图像信息获得目标区域的尺寸信息；获得第一高危影响系数；将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；获得第二高危影响系数；将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；根据所述第一输入信息和所述第二输入信息构建训练数据集；获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；将所述训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危的结果，所述第二输出结果为所述目标区域为非高危的结果；获得第一模板信息；将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。
在具体实施过程中，该程序被处理器执行时，还可以实现实施例一中的任一方法步骤。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本申请实施例通过提供一种图文系统中模板化报告的信息处理方法及装置，所述方法包括：获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；根据所述第一图像信息获得目标区域的部位信息；根据所述第一图像信息获得目标区域的尺寸信息；获得第一高危影响系数；将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；获得第二高危影响系数；将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；根据所述第一输入信息和所述第二输入信息构建训练数据集；获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；将所述训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危的结果，所述第二输出结果为所述目标区域为非高危的结果；获得第一模板信息；将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。解决了现有技术中医生在术后进行病情文字编辑，存在判断误差，记忆误差的技术问题，达到输出的病情报告准确，减轻了内镜医生的文字编辑工作，为繁重的手术过程赢得了休息的间隙，使得医生将宝贵精力集中在观察、分析和判断的手术核心内容之中的效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种图文系统中模板化报告的信息处理方法，其中，所述方法包括：
获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；
根据所述第一图像信息获得目标区域的部位信息；
根据所述第一图像信息获得目标区域的尺寸信息；
获得第一高危影响系数；
将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；
获得第二高危影响系数；
将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；
根据所述第一输入信息和所述第二输入信息构建训练数据集；
获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；
获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；
将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；
将所述训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；
获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危的结果，所述第二输出结果为所述目标区域为非高危的结果；
获得第一模板信息；
将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。
2.如权利要求1所述的方法，其中，所述方法包括：
将所述第N训练数据和第N-1验证码作为第N区块；
获得所述第N区块记录时间，所述第N区块记录时间表示第N区块需要记录的时间；
根据所述第N区块记录时间，获得所述M台设备中运力最快的第一设备；
将第N区块的记录权发送给所述第一设备。
3.如权利要求1所述的方法，其中，所述获得报告预览信息之后，包括：
根据所述报告预览信息，获得来自第一用户的第一评价分值信息，其中，所述第一用户为患者本人；
根据所述报告预览信息，获得来自第二用户的第二评价分值信息，其中，所述第二用户为患者家属；
根据所述报告预览信息，获得来自第三用户的第三评价分值信息，其中，所述第三用户为专家库专家，所述第三评价信息为所述专家库中专家的综合评价信息；
获得预定分值阈值；
分别判断所述第一评价分值信息、所述第二评价分值信息和所述第三评价分值信息是否超过所述预定分值阈值；
如果所述第一评价分值信息、所述第二评价分值信息和所述第三评价分值信息中至少有一个未达到所述预定分值阈值，获得第一调整信息，根据所述第一调整信息，对所述报告预览信息进行调整。
4.如权利要求1所述的方法，其中，所述获得第一高危影响系数，包括：
获得第一基础影响系数；
获得所述第一用户的家病史信息；
根据所述家族病史信息，对所述第一基础影响系数进行加权计算，获得第一高危影响系数。
5.如权利要求1所述的方法，其中，所述获得第二高危影响系数，包括：
获得所述第一用户的年龄信息；
将所述第一用户的年龄信息输入抛物线回归模型，具体公式如下：
y＝β0+β1x+β2x2
其中，β0、β1、β2为未知参数，所述未知参数通过多组数据训练获得；
y为所述第二高危影响系数；
x为所述第一用户的年龄信息。
6.如权利要求1所述的方法，其中，所述方法包括：
根据所述报告预览信息，获得所述第一用户的病情严重程度信息；
获得预定病情严重程度阈值；
判断所述第一用户的病情严重程度信息是否超过所述预定病情严重程度阈值；
如果所述第一用户的病情严重程度信息超过所述预定病情严重程度阈值，获得所述第一用户的肾上腺素分泌水平信息；
获得预定肾上腺分泌阈值；
判断所述第一用户的肾上腺素分泌水平信息是否超过所述预定肾上腺分泌阈值，获得第一判断结果；
根据所述第一判断结果，确定是否获得第一发送信息；
根据所述第一发送信息，向所述第一用户发送所述报告预览信息；
如果所述第一用户的病情严重程度信息未超过所述预定病情严重程度阈值，获得第一发送信息。
7.如权利要求6所述的方法，其中，所述根据所述第一判断结果，确定是否获得第一发送信息，包括：
如果所述第一判断结果为所述第一用户的肾上腺素分泌水平信息超过所述预定肾上腺分泌阈值，禁止获得所述第一发送信息；
如果所述第一判断结果为所述第一用户的肾上腺素分泌水平信息未超过所述预定肾上腺分泌阈值，获得所述第一发送信息。
8.一种图文系统中模板化报告的信息处理装置，其特征在于，所述装置包括：
第一获得单元，所述第一获得单元用于获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；
第二获得单元，所述第二获得单元用于根据所述第一图像信息获得目标区域的部位信息；
第三获得单元，所述第三获得单元用于根据所述第一图像信息获得目标区域的尺寸信息；
第四获得单元，所述第四获得单元用于获得第一高危影响系数；
第五获得单元，所述第五获得单元用于将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；
第六获得单元，所述第六获得单元用于获得第二高危影响系数；
第七获得单元，所述第七获得单元用于将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；
第八获得单元，所述第八获得单元用于根据所述第一输入信息和所述第二输入信息构建训练数据集；
第九获得单元，所述第九获得单元用于获得第一训练数据，所述第一训练数据为所述训练数据集中的数据信息，并根据所述第一训练数据生成第一验证码，其中，所述第一验证码是与所述第一训练数据一一对应的；
第十获得单元，所述第十获得单元用于获取第二训练数据，根据所述第二训练数据和第一验证码生成所述第二验证码；以此类推，获取第N训练数据，根据所述第N训练数据和第N-1验证码生成第N验证码，其中，N为大于1的自然数；
第一保存单元，所述第一保存单元用于将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上，其中，M为大于1的自然数；
第一输入单元，所述第一输入单元用于将所述训练数据集输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；
第十一获得单元，所述第十一获得单元用于获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危的结果，所述第二输出结果为所述目标区域为非高危的结果；
第十二获得单元，所述第十二获得单元用于获得第一模板信息；
第十三获得单元，所述第十三获得单元用于将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。
9.一种图文系统中模板化报告的信息处理的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；
根据所述第一图像信息获得目标区域的部位信息；
根据所述第一图像信息获得目标区域的尺寸信息；
获得第一高危影响系数；
将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；
获得第二高危影响系数；
将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；
将所述第一输入信息和所述第二输入信息输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；
获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危或非高危的结果，所述第二输出结果为所述目标区域为非高危或高危的结果；
获得第一模板信息；
将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：
获得第一用户的第一图像信息，其中，所述第一图像信息通过内镜获得；
根据所述第一图像信息获得目标区域的部位信息；
根据所述第一图像信息获得目标区域的尺寸信息；
获得第一高危影响系数；
将所述部位信息和所述第一高危影响系数的乘积作为第一输入信息；
获得第二高危影响系数；
将所述尺寸信息和所述第二高危影响系数的乘积作为第二输入信息；
将所述第一输入信息和所述第二输入信息输入第一模型，其中，所述第一模型通过多组数据训练获得，所述多组中的数据中的每一组数据均包括：所述第一输入信息、所述第二输入信息和标识所述目标区域是否为高危的标识信息；
获得所述第一模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述目标区域为高危或非高危的结果，所述第二输出结果为所述目标区域为非高危或高危的结果；
获得第一模板信息；
将所述部位信息、所述尺寸信息和所述输出信息输入所述第一模板信息，获得报告预览信息。
CN202011140108.2A 2020-10-22 2020-10-22 一种图文系统中模板化报告的信息处理方法及装置 Pending CN112215835A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011140108.2A CN112215835A (zh) 2020-10-22 2020-10-22 一种图文系统中模板化报告的信息处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011140108.2A CN112215835A (zh) 2020-10-22 2020-10-22 一种图文系统中模板化报告的信息处理方法及装置

Publications (1)

Publication Number Publication Date
CN112215835A true CN112215835A (zh) 2021-01-12

Family

ID=74054934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011140108.2A Pending CN112215835A (zh) 2020-10-22 2020-10-22 一种图文系统中模板化报告的信息处理方法及装置

Country Status (1)

Country Link
CN (1) CN112215835A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112908450A (zh) * 2021-02-03 2021-06-04 徐俊卿 一种影像科肿瘤复查自动阅片管理方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288499A (zh) * 2018-01-22 2018-07-17 沈阳东软医疗系统有限公司 一种自动分诊方法及装置
CN108806778A (zh) * 2018-07-04 2018-11-13 中山大学中山眼科中心 一种白内障病情监察方法及系统
CN109259715A (zh) * 2018-09-04 2019-01-25 北京理工大学 集成交互功能的胶囊内镜磁引导控制装置
CN109411084A (zh) * 2018-11-28 2019-03-01 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的肠结核辅助诊断系统及方法
CN109447987A (zh) * 2018-11-28 2019-03-08 武汉大学人民医院（湖北省人民医院） 基于深度学习的肠镜下溃疡性结肠炎辅助诊断系统及方法
CN109493340A (zh) * 2018-11-28 2019-03-19 武汉大学人民医院（湖北省人民医院） 一种胃镜下食管胃底静脉曲张辅助诊断系统及方法
CN109615633A (zh) * 2018-11-28 2019-04-12 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法
CN110223770A (zh) * 2019-05-29 2019-09-10 合肥工业大学 消化内科电子数据分析方法
CN110223771A (zh) * 2019-05-29 2019-09-10 安徽医科大学第一附属医院 基于nhpp的消化内科电子数据分析方法
CN111048170A (zh) * 2019-12-23 2020-04-21 山东大学齐鲁医院 基于图像识别的消化内镜结构化诊断报告生成方法与系统
CN111403029A (zh) * 2020-06-08 2020-07-10 上海孚慈医疗科技有限公司 一种提高评估质量的信息处理方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288499A (zh) * 2018-01-22 2018-07-17 沈阳东软医疗系统有限公司 一种自动分诊方法及装置
CN108806778A (zh) * 2018-07-04 2018-11-13 中山大学中山眼科中心 一种白内障病情监察方法及系统
CN109259715A (zh) * 2018-09-04 2019-01-25 北京理工大学 集成交互功能的胶囊内镜磁引导控制装置
CN109411084A (zh) * 2018-11-28 2019-03-01 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的肠结核辅助诊断系统及方法
CN109447987A (zh) * 2018-11-28 2019-03-08 武汉大学人民医院（湖北省人民医院） 基于深度学习的肠镜下溃疡性结肠炎辅助诊断系统及方法
CN109493340A (zh) * 2018-11-28 2019-03-19 武汉大学人民医院（湖北省人民医院） 一种胃镜下食管胃底静脉曲张辅助诊断系统及方法
CN109615633A (zh) * 2018-11-28 2019-04-12 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法
CN110223770A (zh) * 2019-05-29 2019-09-10 合肥工业大学 消化内科电子数据分析方法
CN110223771A (zh) * 2019-05-29 2019-09-10 安徽医科大学第一附属医院 基于nhpp的消化内科电子数据分析方法
CN111048170A (zh) * 2019-12-23 2020-04-21 山东大学齐鲁医院 基于图像识别的消化内镜结构化诊断报告生成方法与系统
CN111403029A (zh) * 2020-06-08 2020-07-10 上海孚慈医疗科技有限公司 一种提高评估质量的信息处理方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112908450A (zh) * 2021-02-03 2021-06-04 徐俊卿 一种影像科肿瘤复查自动阅片管理方法及系统

Similar Documents

Publication Publication Date Title
Patil et al. Artificial neural network for gender determination using mandibular morphometric parameters: A comparative retrospective study
Ali et al. Detection and classification of dental caries in x-ray images using deep neural networks
JPWO2018225448A1 (ja) 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体
CN111292328B (zh) 一种基于内镜筛查的图像信息处理方法及装置
CN111767963A (zh) 一种基于内镜筛查提高质量评估的方法及装置
CN115036002B (zh) 一种基于多模态融合模型的治疗效果预测方法及终端设备
CN112233752B (zh) 一种用于内镜检查报告的信息处理方法和装置
Başaran et al. Chronic tympanic membrane diagnosis based on deep convolutional neural network
CN111340083A (zh) 医学图像的处理方法、装置、设备及存储介质
TWI726574B (zh) 模型訓練方法與電子裝置
CN111403029B (zh) 一种提高评估质量的信息处理方法及装置
JP6707131B2 (ja) 画像処理装置、学習装置、画像処理方法、識別基準の作成方法、学習方法およびプログラム
Jeong Feasibility study of Google's Teachable Machine in diagnosis of tooth-marked tongue
CN112215835A (zh) 一种图文系统中模板化报告的信息处理方法及装置
Garbaz et al. Bleeding classification in wireless capsule endoscopy images based on inception-resnet-v2 and cnns
CN115938593B (zh) 病历信息的处理方法、装置、设备及计算机可读存储介质
CN110167417A (zh) 图像处理装置、动作方法和程序
Cholan et al. The impetus of artificial intelligence on periodontal diagnosis: a brief synopsis
TWI811605B (zh) 情緒指標預測方法與系統
CN112426119B (zh) 一种内窥镜筛查处理方法和装置
US11934491B1 (en) Systems and methods for image classification and stream of images segmentation
KR102653616B1 (ko) 투명 교정 장치의 성공률 결정 방법, 장치 및 기록 매체
Musha et al. Deep Learning-Based Comparative Study to Detect Polyp Removal in Endoscopic Images
KR102619800B1 (ko) 환자의 상태에 따라 교정 방식을 결정하는 장치, 방법 및 시스템
TWI768951B (zh) 訓練老年性黃斑部退化的分類模型的電子裝置和方法

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