CN114038550A - 扫描方案确定方法、装置、计算机设备和存储介质 - Google Patents

扫描方案确定方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114038550A
CN114038550A CN202111130425.0A CN202111130425A CN114038550A CN 114038550 A CN114038550 A CN 114038550A CN 202111130425 A CN202111130425 A CN 202111130425A CN 114038550 A CN114038550 A CN 114038550A
Authority
CN
China
Prior art keywords
scanning
data
scheme
expert
user
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
CN202111130425.0A
Other languages
English (en)
Inventor
李霞
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.)
Wuhan United Imaging Healthcare Co Ltd
Original Assignee
Wuhan United Imaging 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 Wuhan United Imaging Healthcare Co Ltd filed Critical Wuhan United Imaging Healthcare Co Ltd
Priority to CN202111130425.0A priority Critical patent/CN114038550A/zh
Publication of CN114038550A publication Critical patent/CN114038550A/zh
Pending legal-status Critical Current

Links

Images

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种扫描方案确定方法、装置、计算机设备和存储介质。该方法包括：计算机设备获取用户的扫描特征信息，将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案，根据扫描推荐方案确定用户的目标扫描方案。其中，扫描方案推荐模型由专家推荐模型和数据挖掘模型构成。在本方法中，在获取到用户的扫描特征信息之后，就可以根据预设的扫描方案推荐模型得到与当前用户的扫描特征信息匹配的扫描推荐方案，不需要操作人员人工根据扫描特征信息进行扫描方案的确定、相关参数的调整等操作，节省了扫描准确所耗费的时间，提高了扫描的效率和服务质量。

Description

扫描方案确定方法、装置、计算机设备和存储介质
技术领域
本申请涉及医疗技术领域，特别是涉及一种扫描方案确定方法、装置、计算机设备和存储介质。
背景技术
在医疗技术领域存在多种不同的扫描场景，例如，超声扫描、电子计算机断层扫描等。在超声扫描领域，探头选择、临床预设选择、扫描参数调节是超声扫描工作中的重要部分。操作者在对用户进行扫描之前需要根据用户的具体检查情况，确定探头选取、选取临床预设以及调整扫描参数，从而得到适合用户扫描部位的正确、清晰的病灶图像。
现有技术中往往是操作者基于超声设备手动选择探头型号、临床预设以及成像参数，进而进行用户的超声扫描操作；或者，操作者基于超声设备手动选择探头型号、临床预设，在确认患者的扫描模式之后，在扫描过程中自动调节超声设备的成像参数。
上述方法存在手动输入造成的扫描流程繁琐、扫描过程中基于神经网络模型自动调节参数造成的扫描耗时增加的问题，从而导致整体扫描效率低下。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高扫描效率的扫描方案确定方法、装置、计算机设备和存储介质。
第一方面，提供一种扫描方案确定方法，该方法包括：
获取用户的扫描特征信息；
将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案；扫描方案推荐模型由专家推荐模型和数据挖掘模型构成；
根据扫描推荐方案确定用户的目标扫描方案。
在其中一个可选的实施例中，该还包括：
根据用户的扫描特征信息，确定用户是否存在历史扫描数据；历史扫描数据中包括历史扫描特征信息、历史扫描方案；
若存在历史扫描数据，且历史扫描特征信息与扫描特征信息一致，则将用户的历史扫描方案作为目标扫描方案；
若存在历史扫描数据，但历史扫描特征信息与扫描特征信息不一致，或，不存在历史扫描数据，则执行将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案的步骤。
在其中一个可选的实施例中，扫描方案推荐模型的训练方法包括：
获取专家建议扫描数据，并根据专家建议扫描数据训练初始专家推荐模型，得到专家推荐模型；专家建议扫描数据包括多个用户的扫描特征信息、与用户的扫描特征信息对应的专家建议扫描方案；
获取样本历史扫描数据，并根据样本历史扫描数据训练初始数据挖掘模型，得到数据挖掘模型；样本历史扫描数据包括多个用户的历史扫描特征信息和历史实际扫描方案；
根据样本历史扫描数据，确定专家推荐模型的第一权重和数据挖掘模型的第二权重；
根据专家推荐模型、第一权重、数据挖掘模型和第二权重，确定扫描方案推荐模型。
在其中一个可选的实施例中，根据样本历史扫描数据，确定专家推荐模型的第一权重和数据挖掘模型的第二权重，包括：
将样本历史扫描数据输入至专家推荐模型，得到第一扫描方案，根据第一扫描方案和用户历史扫描方案的匹配度，确定专家推荐模型的第一得票数，将第一得票数与样本历史扫描数据的数据量的比值确定为专家推荐模型的权重；
将样本历史扫描数据输入至数据挖掘模型，得到第二扫描方案，根据第二扫描方案和用户历史扫描方案的匹配度，确定数据挖掘模型第二得票数，将第二得票数与样本历史扫描数据的数据量比值确定为数据挖掘模型的权重。
在其中一个可选的实施例中，获取专家建议扫描数据，并根据专家建议扫描数据训练初始专家推荐模型，得到专家推荐模型，包括：
获取不同专家等级对应的专家建议扫描数据；不同专家等级对应不同的初始专家推荐子模型；不同专家等级对应不同的预设权重；
针对各初始专家推荐子模型，以扫描特征信息为输入，以专家建议扫描方案为输出，对初始专家推荐子模型进行训练，得各初始专家推荐子模型对应的专家推荐子模型；
根据不同专家等级对应的预设权重和各专家推荐子模型，得到专家推荐模型。
在其中一个可选的实施例中，获取样本历史扫描数据，并根据样本历史扫描数据训练初始数据挖掘模型，得到数据挖掘模型，包括：
获取样本历史扫描数据中各扫描图像数据，并根据扫描图像数据确定各用户的扫描参数；
根据各用户的样本历史扫描数据、扫描图像数据和扫描参数构建扫描数据库；
基于诊断部位对扫描数据库中的数据进行分类，得到不同诊断部位对应的数据集合；
根据不同诊断部位对应的数据集合，采用预设的改进随机森林算法对初始数据挖掘模型进行训练，得到数据挖掘模型。
在其中一个可选的实施例中，根据不同诊断部位对应的数据集合，采用预设的改进随机森林算法对初始数据挖掘模型进行训练，得到数据挖掘模型，包括：
根据数据集合，确定训练数据子集、验证数据子集和属性子集；训练数据子集、验证数据子集为根据预设比例对数据集合划分得到的；
根据训练数据子集和属性子集构建决策树，直到构建出预设数量的决策树；
根据验证数据子集对预设数量的决策树进行验证，确定各决策树的准确率；
根据各决策树的准确率确定各决策树的权重，得到数据挖掘模型。
在其中一个可选的实施例中，根据数据集合，确定属性子集，包括：
根据预设的组织结构关系规则和数据集合中的各数据的属性，将数据集合分为强属性子集和弱属性子集；
从强属性子集和弱属性子集中获取预设的获取比例的数据，得到属性子集。
在其中一个可选的实施例中，根据训练数据子集和属性子集构建决策树，直到构建出预设数量的决策树，包括：
根据训练数据子集和属性子集构建决策树，计算每个决策树节点的分裂值；
根据各决策树节点的分裂值，确定目标分裂原则；
根据目标分裂原则进行决策树的构建，直到构建出预设数量的决策树。
在其中一个可选的实施例中，该方法还包括：
基于预设的验证模型对初始数据挖掘模型进行收敛性验证；
在初始数据挖掘模型达到收敛的情况下，停止构建决策树操作，得到数据挖掘模型。
在其中一个可选的实施例中，该方法还包括：
对扫描数据库进行数据清洗，得到数据清洗之后的扫描数据库；数据清洗包括删除无效字段或记录、删除有误字段或记录；
基于诊断部位对扫描数据库中的数据进行分类，得到不同诊断部位对应的数据集合，包括：
基于诊断部位对数据清洗之后的扫描数据库中的数据进行分类，得到不同诊断部位对应的数据集合。
第二方面，提供一种扫描方案确定装置，该装置包括：
获取模块，用于获取用户的扫描特征信息；
推荐模块，用于将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案；扫描方案推荐模型由专家推荐模型和数据挖掘模型构成；
确定模块，用于根据扫描推荐方案确定用户的目标扫描方案。
第三方面，提供一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现上述第一方面任一所述的方法。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面任一所述的方法。
上述扫描方案确定方法、装置、计算机设备和存储介质，计算机设备获取用户的扫描特征信息，将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案，根据扫描推荐方案确定用户的目标扫描方案。其中，扫描方案推荐模型由专家推荐模型和数据挖掘模型构成。在本方法中，在获取到用户的扫描特征信息之后，就可以根据预设的扫描方案推荐模型得到与当前用户的扫描特征信息匹配的扫描推荐方案，不需要操作人员人工根据扫描特征信息进行扫描方案的确定、相关参数的调整等操作，节省了扫描准确所耗费的时间，提高了扫描的效率和服务质量，且，进一步地，预设的扫描推荐模型由专家推荐模型和数据挖掘模型构成，提高了扫描推荐方案的准确性。
附图说明
图1为一个实施例中扫描方案确定方法的应用环境图；
图2为一个实施例中扫描方案确定方法的流程示意图；
图3为一个实施例中扫描方案确定方法的流程示意图；
图4为一个实施例中扫描方案确定方法的流程示意图；
图5为一个实施例中扫描方案确定方法的流程示意图；
图6为一个实施例中扫描方案确定方法的流程示意图；
图7为一个实施例中扫描方案确定方法的流程示意图；
图8为一个实施例中扫描方案确定方法的流程示意图；
图9为一个实施例中扫描方案确定方法的流程示意图；
图10为一个实施例中扫描方案确定方法的流程示意图；
图11为一个实施例中扫描方案确定方法的流程示意图；
图12为一个实施例中扫描方案确定装置的结构框图；
图13为一个实施例中扫描方案确定装置的结构框图；
图14为一个实施例中扫描方案确定装置的结构框图；
图15为一个实施例中扫描方案确定装置的结构框图；
图16为一个实施例中扫描方案确定装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的扫描方案确定方法，可以应用于如图1所示的应用环境中。在一个实施例中，提供了一种计算机设备，在医疗技术领域，该计算机设备可以是超声设备、磁共振设备、或者其他具有显示器的计算机设备，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种扫描方案确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
基于图1给出的计算机设备，可以在计算机设备上部署业务系统，通过与用户的交互来实现扫描方案确定方法。可选地，业务系统也可以部署至云端。以计算机设备为超声设备，业务系统为超声扫描系统举例来说明。
基于超声扫描系统的显示界面可以输入用户的扫描特征信息，其中，扫描特征信息包括用户的检查信息和基本信息；还可以通过超声扫描系统读取用户的检查卡、身份卡中的用户的扫描特征信息，其中，检查卡可以为IC卡或射频卡。在读取到当前用户的扫描特征信息之后，超声扫描系统还可以从本地数据库或云端数据库中查询是否包括该用户的历史扫描特征信息。
超声扫描系统若确定当前用户不存在历史扫描特征信息，则基于显示界面，显示当前用户对应的扫描推荐方案，其中扫描推荐方案包括超声探头、临床预设以及扫描参数，可选地，操作人员可以选定整个扫描推荐方案作为用户的目标扫描方案，也可以选择扫描推荐方案中的部分方案作为用户的目标扫描方案，例如，选择扫描推荐方案中的超声探头、临床预设两个部分，扫描参数部分由操作人员手动调整，进而根据调整后的扫描参数组成为用户的目标扫描方案。或者，操作人员也可以选择不选择扫描推荐方案，退出当前显示界面，进入手动设定用户的扫描方案的界面进行设定。可选地，超声扫描系统通过将用户扫描特征信息输入至扫描方案推荐模型中得到扫描推荐方案。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请图2-图11实施例提供的扫描方案确定方法，其执行主体为计算机设备，也可以是扫描方案确定装置，该扫描方案确定装置可以通过软件、硬件或者软硬件结合的方式成为计算机设备的部分或全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
在一个实施例中，如图2所示，提供了一种扫描方案确定方法，包括以下步骤：
S201、获取用户的扫描特征信息。
其中，用户的扫描特征信息包括用户的基本信息和检查信息，基本信息包括用户的姓名、性别、身高、体重、年龄、身体指数等；检查信息包括用户就诊得到的检查单信息，检查单信息中包括用户的诊断部位、扫描类型等，扫描类型包括超声扫描、磁共振扫描等。
在本实施例中，在一种场景下，当用户在就诊过程中，用户的基本信息和检查信息均被看诊人员录入云端数据库中，计算机设备可以根据操作人员录入的用户ID，从云端数据库中获取用户ID对应的用户的扫描特征信息；或者，计算机设备还可以获取操作人员录入的用户的基本信息和检查信息；或者，计算机设备还可以读取标签中的用户的基本信息和检查信息，标签可以为录入用户基本信息和检查信息的IC卡，例如，该IC卡可以为身份证，也可以为用户就诊之后领取的其他IC卡，本实施例对此不做限定。
S202、将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案；扫描方案推荐模型由专家推荐模型和数据挖掘模型构成。
其中，专家推荐模型是根据专家建议扫描数据训练得到的模型，专家建议扫描数据包括了用户的扫描特征数据和专家在根据用户的扫描特征信息进行分析之后得到的扫描建议方案等主观数据；数据挖掘模型指的是根据样本历史扫描数据训练得到的模型，样本历史扫描数据包括了过去一段时间内的各个用户的扫描特征数据、各个用户实际进行扫描对应的扫描方案，以及扫描之后得到的扫描图像等客观数据。
在本实施例中，计算机设备将用户的扫描特征信息输入至预设的扫描方案推荐模型中，由于扫描方案推荐模型是由主观维度的专家推荐模型和客观维度的数据挖掘模型组成，因此，基于扫描方案推荐模型得到的扫描推荐方案的准确性较高。可选地，计算机设备可以将扫描方案推荐模型存储至本地，即在获取到用户的扫描特征信息之后，输入至本地的扫描方案推荐模型中，得到用户的扫描推荐方案；扫描方案推荐模型也可以存储至云端，来减少本地存储空间的占用，在这种情况下，计算机设备在获取到用户的扫描特征信息之后，将用户的扫描特征信息发送至云端，以使云端服务器将该用户的扫描特征信息输入至云端的扫描方案推荐模型中，得到用户的扫描推荐方案，并向计算机设备返回该扫描推荐方案，本实施例对此不做限定。
S203、根据扫描推荐方案确定用户的目标扫描方案。
其中，在超声扫描领域，扫描方案包括超声探头选择、临床预设选择、扫描参数调节等；在磁共振扫描领域，扫描方案包括扫描参数调节、临床预设选择等。
在本实施例中，针对扫描方案中的不同部分，操作人员均可以进行人为的调整，在计算机设备输出扫描推荐方案之后，还可以获取操作人员基于显示界面触发的扫描方案调整请求，例如，调整扫描参数的请求，调整超声探头的请求，调整临床预设的请求等，计算机设备通过调整请求确定具体的调整参数和调整数值，对扫描方案进行调整，得到用户的目标扫描方案，可选地，计算机设备还可以将该目标扫描方案显示于显示界面中，本实施例对此不做限定。
上述扫描方案确定方法中，计算机设备获取用户的扫描特征信息，将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案，根据扫描推荐方案确定用户的目标扫描方案。其中，扫描方案推荐模型由专家推荐模型和数据挖掘模型构成。在本方法中，在获取到用户的扫描特征信息之后，就可以根据预设的扫描方案推荐模型得到与当前用户的扫描特征信息匹配的扫描推荐方案，不需要操作人员人工根据扫描特征信息进行扫描方案的确定、相关参数的调整等操作，节省了扫描准确所耗费的时间，提高了扫描的效率和服务质量，且，进一步地，预设的扫描推荐模型由专家推荐模型和数据挖掘模型构成，提高了扫描推荐方案的准确性。
为了进一步优化确定扫描方案的流程，缩短确定扫描方案的时间，在一个实施例中，如图3所示，上述方法还包括：
S301、根据用户的扫描特征信息，确定用户是否存在历史扫描数据；历史扫描数据中包括历史扫描特征信息、历史扫描方案。
在本实施例中，计算机设备根据用户的扫描特征信息，从历史扫描数据库中查询是否存在相同用户，若存在相同用户，则确定该用户对应的数据是否包括历史扫描数据。可选地，历史扫描数据库可以为本地数据库，也可以为云端数据库。
S302、若存在历史扫描数据，且历史扫描特征信息与扫描特征信息一致，则将用户的历史扫描方案作为目标扫描方案。
在本实施例中，计算机设备在确定用户存在历史扫描数据，进一步地，计算机设备根据历史扫描数据，确定历史扫描数据中的历史扫描特征信息与当前的扫描特征信息是否一致，这里进行一致性判定是为了确定用户是否为复查用户，在确定历史扫描特征信息与当前的扫描特征信息一致的情况下，说明该用户为复查用户，在这种情况下，计算机设备可以直接沿用该用户上一次的扫描方案，也即，将用户的历史扫描方案作为目标扫描方案。
S303、若存在历史扫描数据，但历史扫描特征信息与扫描特征信息不一致，或，不存在历史扫描数据，则执行将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案的步骤。
在本实施例中，计算机设备在确定用户不存在历史扫描数据，或者，用户存在历史扫描数据，但历史扫描特征信息与扫描特征信息不一致，说明该用户为非复查用户，在这种情况下，计算机设备需要为该用户推荐适应于本次扫描的扫描推荐方案，也即，计算机设备在确定用户符合上述情况下，将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到模型输出的用户的扫描推荐方案作为用户的目标扫描方案。
在本实施例中，计算机设备进行扫描方案的确定之前，对当前用户是否存在历史扫描数据进行判断，在存在历史扫描数据且历史扫描特征与当前扫描特征一致的情况下，可以沿用历史扫描数据中的历史扫描方案，避免对该用户进行扫描推荐方案的计算，节省了计算组员，缩短了用户目标扫描方案的时间，优化了扫描效率。
计算机设备基于扫描方案推荐模型来进行各个用户的扫描方案的确定，在其中一个可选的实施例中，如图4所示，扫描方案推荐模型的训练方法包括：
S401、获取专家建议扫描数据，并根据专家建议扫描数据训练初始专家推荐模型，得到专家推荐模型；专家建议扫描数据包括多个用户的扫描特征信息、与用户的扫描特征信息对应的专家建议扫描方案。
其中，专家建议扫描数据包含对于不同临床预设下专家给出的参考数据，其中，参数数据包括用户的扫描特征信息(基本信息、检查信息)以及专家给出的建议扫描方案。在本实施例中，计算机设备可以针对不同的临床应用场景和/或用户的不同扫描部位建立初始专家扫描模型，将专家建议扫描数据输入至预设的初始专家推荐模型中，对初始专家推荐模型进行训练，得到专家推荐模型。
S402、获取样本历史扫描数据，并根据样本历史扫描数据训练初始数据挖掘模型，得到数据挖掘模型；样本历史扫描数据包括多个用户的历史扫描特征信息和历史实际扫描方案。
其中，样本历史扫描数据可以为本地数据库中的过去一段时间内的所有用户的历史扫描数据；也可以为云端数据库中过去一段时间内的所有用户的历史扫描数据。可选地，历史扫描数据包括用户扫描特征信息(基本信息、检查信息)以及用户实际进行扫描对应的扫描方案，以及扫描之后得到的扫描图像等。在本实施例中，计算机设备可以针对不同的临床应用场景和/或用户的不同扫描部位建立初始数据挖掘模型，将样本历史扫描数据输入至预设的初始数据挖掘模型中，对初始数据挖掘模型进行训练，得到数据挖掘模型。
S403、根据样本历史扫描数据，确定专家推荐模型的第一权重和数据挖掘模型的第二权重。
在本实施例中，计算机设备将样本历史扫描数据中的用户扫描特征信息输入至专家推荐模型中，得到专家推荐模型的输出，得到第一扫描方案，根据第一扫描方案与样本历史扫描数据中的用户实际进行扫描对应的扫描方案进行匹配，确定专家推荐模型的第一匹配度，根据第一匹配度确定专家推荐模型的第一权重；类似地，计算机设备将样本历史扫描数据中的用户扫描特征信息输入至数据挖掘模型中，得到数据挖掘模型的输出，得到第二扫描方案，根据第二扫描方案与样本历史扫描数据中的用户实际进行扫描对应的扫描方案进行匹配，确定数据挖掘模型的第二匹配度，根据第二匹配度确定数据挖掘模型的第二权重。
可选地，样本历史扫描数据会随着时间以及用户的积累而产生更新，在这种情况下，计算机设备还可以将更新后的样本历史扫描数据作为新的训练数据，来对专家推荐模型进行更新，以使专家推荐模型更优化，其输出的扫描方案的结果更为准确。可选地，更新专家推荐模型可以为定时更新，也可以为指令触发更新，本实施例对此不做限定。
S404、根据专家推荐模型、第一权重、数据挖掘模型和第二权重，确定扫描方案推荐模型。
在本实施例中，计算机设备在得到训练好的专家推荐模型以及其对应的第一权重，得到训练好的数据挖掘模型以及其对应的第二权重，根据两个模型以及其对应的权重，形成扫描方案推荐模型。
计算机设备分别确定专家推荐模型和数据挖掘模型的权重，可选地，计算机设备可以基于投票法来确定专家推荐模型和数据挖掘模型的权重比例，从而确定扫描方案推荐模型，在其中一个可选的实施例中，根据样本历史扫描数据，确定专家推荐模型的第一权重和数据挖掘模型的第二权重，包括以下两个方面：
其一：将样本历史扫描数据输入至专家推荐模型，得到第一扫描方案，根据第一扫描方案和用户历史扫描方案的匹配度，确定专家推荐模型的第一得票数，将第一得票数与样本历史扫描数据的数据量的比值确定为专家推荐模型的权重。
在本实施例中，计算机设备将样本历史扫描数据中的用户扫描特征信息输入至专家推荐模型，得到第一扫描方案，将第一扫描方案和对应的样本历史扫描数据中的用户实际扫描方案进行匹配，得到第一匹配度，若第一匹配度大于预设阈值，例如预设阈值为80％，则确定专家推荐模型得一票，统计样本历史扫描数据中所有用户扫描特征信息对应的匹配结果，即总共得到n个匹配结果，从n个匹配结果中确定超过阈值的结果数量m1，m1即为专家推荐模型的第一得票数，将m1/n*100％为专家推荐模型的权重。
其二：将样本历史扫描数据输入至数据挖掘模型，得到第二扫描方案，根据第二扫描方案和用户历史扫描方案的匹配度，确定数据挖掘模型第二得票数，将第二得票数与样本历史扫描数据的数据量比值确定为数据挖掘模型的权重。
在本实施例中，计算机设备将样本历史扫描数据中的用户扫描特征信息输入至数据挖掘模型，得到第二扫描方案，将第二扫描方案和对应的样本历史扫描数据中的用户实际扫描方案进行匹配，得到第二匹配度，若第二匹配度大于预设阈值，例如预设阈值为80％，则确定数据挖掘模型得一票，统计样本历史扫描数据中所有用户扫描特征信息对应的匹配结果，即总共得到n个匹配结果，从n个匹配结果中确定超过阈值的结果数量m2，m2即为数据挖掘模型的第二得票数，将m2/n*100％为数据挖掘模型的权重。
可选地，确定专家推荐模型或数据挖掘模型是否得票的方法还包括：获取用户扫描特征信息的第一匹配度和第二匹配度，若第一匹配度大于第二匹配度，则确定专家推荐模型得一票，若第一匹配度小于第二匹配度，则确定数据挖掘模型得一票，从而分别再统计专家推荐模型或数据挖掘模型的得票数，得到专家推荐模型或数据挖掘模型对应的权重。
在本实施例中，计算机设备可以通过专家推荐模型和数据挖掘模型的得票数来确定二者分别对应的第一权重、第二权重，从而根据专家推荐模型、第一权重、数据挖掘模型、第二权重，生成扫描方案推荐模型，该扫描方案推荐模型的输出结果比较准确。
计算机设备需要分别训练专家推荐模型和数据挖掘模型，在其中一种场景下，在其中一个可选的实施例中，如图5所示，获取专家建议扫描数据，并根据专家建议扫描数据训练初始专家推荐模型，得到专家推荐模型，包括：
S501、获取不同专家等级对应的专家建议扫描数据；不同专家等级对应不同的初始专家推荐子模型；不同专家等级对应不同的预设权重。
其中，不同专家等级指的是根据专家职称或其他专家信息确定的专家等级，例如，根据专家的职称确定专家等级包括权威专家、专业专家，权威专家可以对应于职称为教授、副教授级别的专家，专业专家对应于职称为医师等级别的专家。由于不同专家等级的建议质量不同，基于此，设定不同专家等级对应于不同的权重，不同专家等级对应设定不同的初始专家推荐子模型，也即，不同的专家推荐子模型对应不同的权重。示例地，将主任医师和副主任医师纳入权威专家，将主治医师和住院医师纳入为专业专家(一般专家)，一般的，认为权威专家虽然实际超声操作可能不多，但是经验和理论很足；一专业专家实际超声操作较多，理论和经验可能相对缺乏。基于这种情况，可以将权威专家的推荐子模型的权重设为0.6，将专业专家的推荐子模型的权重设为0.4，本实施例对此不做限定。
在本实施例中，计算机设备可以从本地数据库或云端数据库中获取专家建议扫描数据，专家建议扫描数据中包括了专家信息、用户的扫描特征信息(基本信息、检查信息)以及专家给出的建议扫描方案，其中，专家信息又包括了专家等级、专家名称等，根据专家等级获取不同专家等级对应的专家建议扫描数据，不同专家等级所对应的用户信息可能存在交叉，本实施例对此不做限定。
S502、针对各初始专家推荐子模型，以扫描特征信息为输入，以专家建议扫描方案为输出，对初始专家推荐子模型进行训练，得各初始专家推荐子模型对应的专家推荐子模型。
在本实施例中，针对各个初始专家推荐子模型，可选地，计算机设备可以按照专家等级、不同的诊断部位，将用户的扫描特征信息输入至对应的初始专家推荐子模型中，并以专家建议扫描方案作为参考输出，对初始专家子模型进行训练，直到初始专家推荐子模型达到收敛，从而得到训练好的各个专家等级下的专家推荐子模型。可选地，计算机设备可以通过验证模型来判断初始专家推荐子模型是否达到收敛。
S503、根据不同专家等级对应的预设权重和各专家推荐子模型，得到专家推荐模型。
在本实施例中，在得到训练好的各个专家等级下的专家推荐子模型之后，根据各个专家推荐子模型与其对应的预设权重，得到专家推荐模型。
在本实施例中，计算机设备可以通过对专家进行等级划分，进行不同程度的权重的设定，从而使得得到的专家推荐模型的输出结果更加准确。
计算机设备在分别训练专家推荐模型和数据玩具模型的另外一种场景下，如图6所示，在其中一个可选的实施例中，获取样本历史扫描数据，并根据样本历史扫描数据训练初始数据挖掘模型，得到数据挖掘模型，包括：
S601、获取样本历史扫描数据中各扫描图像数据，并根据扫描图像数据确定各用户的扫描参数。
在本实施例中，计算机设备从样本历史扫描数据中确定各个用户对应的扫描图像数据，可选地，计算机设备可以通过图像分析模型、图像分析算法等方法，对扫描图像数据进行数据分析，从而得到扫描图像数据对应的扫描参数。其中，扫描参数包括扫描模式、深度、焦点、增益、帧频等信息。
S602、根据各用户的样本历史扫描数据、扫描图像数据和扫描参数构建扫描数据库。
在本实施例中，计算机设备在得到各用户的扫描图像数据对应的扫描参数之后，根据各用户的样本历史扫描数据、扫描图像数据和扫描参数，构建扫描数据库。其中，样本历史扫描数据与上述实施例中描述一样的，包括用户的基本信息和检查信息，基本信息包括用户的姓名、性别、身高、体重、年龄、身体体积指数BVI、体质指数BMI、骨骼指数、身体成分数据等；检查信息包括用户就诊得到的检查单信息，检查单信息中包括用户的诊断部位、扫描类型等，扫描类型包括超声扫描、磁共振扫描等。
可选地，计算机设备在根据扫描数据库中的数据训练初始数据挖掘模型之前，还可以对扫描数据库中的数据进行数据清洗操作，来进一步保证训练数据挖掘模型的数据的精度，包括：
对扫描数据库进行数据清洗，得到数据清洗之后的扫描数据库；数据清洗包括删除无效字段或记录、删除有误字段或记录。
在本实施例中，计算机设备根据扫描数据库中的所有字段的数据，进行数据清洗操作，示例地，计算机设备可以根据预设的字段规则，确定扫描数据库中的所有字段中的无效字段、错误字段等，将该无效字段、错误字段进行删除，可选地，计算机设备还可以根据预设的无效记录标识，从扫描数据库中的所有字段中的删除无效记录、错误记录等，得到经过数据清洗，准确有效的扫描数据库，
S603、基于诊断部位对扫描数据库中的数据进行分类，得到不同诊断部位对应的数据集合。
在本实施例中，根据用户的检查信息中的诊断部位，计算机设备将扫描数据库中的样本历史扫描数据进行分类，得到不同诊断部位对应的数据集合，例如，诊断部位包括乳腺、成人心脏、甲状腺、颈动脉、小儿心脏、腹部等等。
S604、根据不同诊断部位对应的数据集合，采用预设的改进随机森林算法对初始数据挖掘模型进行训练，得到数据挖掘模型。
在本实施例中，针对不同诊断部位的样本历史扫描数据，计算机设备采用预设的改进随机森林算法对初始数据挖掘模型进行训练，得到数据挖掘模型。通过以下实施例来说明训练过程。如图7所示，在其中一个可选的实施例中，根据不同诊断部位对应的数据集合，采用预设的改进随机森林算法对初始数据挖掘模型进行训练，得到数据挖掘模型，包括：
S701、根据数据集合，确定训练数据子集、验证数据子集和属性子集；训练数据子集、验证数据子集为根据预设比例对数据集合划分得到的。
在本实施例中，计算机设备可以按照预设比例对数据集合中的所有数据进行划分，得到训练数据子集和验证数据子集，例如，预设比例可以为2：1，即将数据集合中的2/3的数据划分为训练数据子集，将剩余(即原始数据集合的1/3)的数据作为验证数据子集，其中，训练数据子集和验证数据子集中不存在数据交叉的情况，数据集合中也不存在划分之后数据浪费的情况。即不存在数据既不属于训练数据子集，也不属于验证数据子集的情况；也不存在数据既属于训练数据子集，也属于验证数据子集的情况。可选地，计算机设备可以先对数据集合进行抽样操作，随机抽取预设数量的数据得到抽样集合，从抽样集合中按照预设比例进行划分，得到训练数据子集和验证数据子集。属性子集是根据数据集合中数据的属性字段所确定的，其具体的确定方式可参考下图8提供是实施例。
S702、根据训练数据子集和属性子集构建决策树，直到构建出预设数量的决策树。
在本实施例中，计算机设备对样本历史数据进行K次引导聚集算法(Bootstrapaggregating，Bagging)随机可放回抽样，得到K个训练子集数据，每个训练子集的数据为样本历史数据的2/3。根据K个训练数据子集和属性子集F构建K颗决策树。需要说明的是，预设数量的决策树与当前循环中的诊断部位有关，针对诊断部位，直到无法再分裂的情况下，确定停止构建决策树，统计决策树的数量，得到统计数量的决策树。
S703、根据验证数据子集对预设数量的决策树进行验证，确定各决策树的准确率。
在本实施例中，计算机设备根据上述步骤701得到的验证数据子集对决策树进行验证，即，将验证数据子集中的扫描方案与决策树输出的扫描方案进行匹配，得到各个决策树对应的准确率。
S704、根据各决策树的准确率确定各决策树的权重，得到数据挖掘模型。
在本实施例中，计算机设备在得到各个决策树的准确率之后，将准确率作为各个决策树的权重，从而得到所有分裂好的决策树以及其对应权重，构成数据挖掘模型。
进一步地，计算机设备还可以根据预设的验证模型对初始数据挖掘模型进行收敛性验证；在初始数据挖掘模型达到收敛的情况下，停止构建决策树操作，得到数据挖掘模型。
在本实施例中，计算机设备可以通过预设的验证模型对训练过程中的初始数据挖掘模型进行收敛性验证，在确定在初始数据挖掘模型达到收敛的情况下，停止构建决策树操作，即，停止训练操作，得到数据挖掘模型。可选地，计算机设备还可以通过计算决策树的误差来确定初始数据挖掘模型是否达到收敛，在误差小于误差阈值的情况下，确定初始数据挖掘模型达到收敛，止构建决策树操作，即，停止训练操作，得到数据挖掘模型，本实施例对此不做限定。
在本实施例中，计算机设备通过按照一定的比例将数据集合划分为训练集合验证集，充分利用数据集合中的数据来构建决策树，并引入了属性子集来构建决策树，使得整个构建过程中，所计算得到的每个决策树的分裂值更准确，通过验证集来验证决策树的准确性，从而得到的数据挖掘模型的输出也更准确。
为了进一步提高数据挖掘模型的准确性，计算机设备需要对数据进行进一步处理，如图8所示，在其中一个可选的实施例中，根据数据集合，确定属性子集，包括：
S801、根据预设的组织结构关系规则和数据集合中的各数据的属性，将数据集合分为强属性子集和弱属性子集。
其中，预设的组织结构关系规则指的是人体组织回声强度与组织内部的界面构成及声学特征之间的关系。一般的，骨骼>肾窦>胰腺>肝、脾实质>肌肉>肾皮质>肾髓质>胆汁>尿液。人体组织声衰减的一般规律表现为骨骼、钙化、结石>瘢痕、软管、肌腱>肝脏、肾脏、肌肉、脑>脂肪、血液>尿液、胆汁、囊液、胸水、腹水。骨密度、骨量、体重、年龄、身高、脂肪含量之间存在耦合性。根据人体组织的各种规律，将数据集合中的数据字段分为强属性组和弱属性组，示例地，将身体体积指数、体质指数、骨骼指数划为强属性，将性别、年龄、身高、体重分为弱属性。需要说明的是，强属性和弱属性是针对诊断部位而言的，强、弱表示着属性与诊断部位之间的耦合性的强度，例如，在诊断部位为心脏的情况下，属性“性别”可能为弱属性，在诊断部位为乳腺的时候，属性“性别”可能为强属性。在针对不同的诊断部位的训练过程中，计算机设备根据该组织结构关系规则，对数据集合中的属性字段进行划分，得到强属性子集和弱属性子集，本实施例对此不做限定。
S802、从强属性子集和弱属性子集中获取预设的获取比例的数据，得到属性子集。
在本实施例中，数据集合M，从强属性子集P和弱属性子集Q中随机的选取F个属性(F小于等于M)，这里，经过研究，优选地，F＝log2M+1。在进行属性提取的过程中，提取强属性的数量Snum＝P/M，提取弱属性的数量Inum＝F-Snum，本实施例对此不做限定。
在本实施例中，根据组织结构关系规则对数据集合中的各数据的属性进行划分，并按照一定比例进行数据的提取，在数据挖掘模型的训练过程中，该属性子集可以为修正模型的输出提供一定的数据支撑，提高模型输出的准确性。
在训练数据挖掘模型的过程中，计算机设备基于训练数据子集和属性子集来构建决策树，如图9所示，在其中一个可选的实施例中，根据训练数据子集和属性子集构建决策树，直到构建出预设数量的决策树，包括：
S901、根据训练数据子集和属性子集构建决策树，计算每个决策树节点的分裂值。
在本实施例中，计算机设备在进行决策树构建中的节点分裂过程中，使用特征属性F进行决策树节点分裂，在每个分裂节点输入特征属性，计算并比较每个输入特征属性的信息增益，将最优的结果作为该节点的分裂属性。
S902、根据各决策树节点的分裂值，确定目标分裂原则。
在本实施例中，计算机设备在计算得到各个决策树节点的分裂值之后，根据随机森林的信息增益算法，计算各个属性的信息增益，确定信息增益最大的属性，根据信息增益最大的属性进行分裂，将信息增益最大的属性作为目标分类原则，进行迭代分裂。
S903、根据目标分裂原则进行决策树的构建，直到构建出预设数量的决策树。
在本实施例中，根据目标分裂原则进行决策树的构建，使得得到的每一个决策树节点的选择均是最优的，即每一次节点选择都是通过计算构建决策树属性的信息增益来计算，直到构建出预设数量的决策树。
在本实施例中，随机森林的准确率是由每一颗决策树的准确率确定，通过计算得到的最优分裂节点，可以提高整个分类结果的准确率，从而得到输出结果较为准确的数据挖掘模型。
为了更好的说明上述方法，如图10所示，本实施例提供一种扫描方案确定方法，具体包括：
S1001、获取用户的扫描特征信息；
S1002、根据用户的扫描特征信息，确定用户是否存在历史扫描数据；
S1003、若存在历史扫描数据，且历史扫描特征信息与扫描特征信息一致，则将用户的历史扫描方案作为目标扫描方案；
S1004、若存在历史扫描数据，但历史扫描特征信息与扫描特征信息不一致，或，不存在历史扫描数据，则将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案；
S1005、根据扫描推荐方案确定用户的目标扫描方案。
其中，如图11所示，预设的扫描方案推荐模型的训练方法包括以下步骤：
S1101、获取不同专家等级对应的专家建议扫描数据；不同专家等级对应不同的初始专家推荐子模型；不同专家等级对应不同的预设权重；
S1102、针对各初始专家推荐子模型，以扫描特征信息为输入，以专家建议扫描方案为输出，对初始专家推荐子模型进行训练，得各初始专家推荐子模型对应的专家推荐子模型；
S1103、根据不同专家等级对应的预设权重和各专家推荐子模型，得到专家推荐模型；
S1104、获取样本历史扫描数据中各扫描图像数据，并根据扫描图像数据确定各用户的扫描参数；
S1105、根据各用户的样本历史扫描数据、扫描图像数据和扫描参数构建扫描数据库；
S1106、基于诊断部位对扫描数据库中的数据进行分类，得到不同诊断部位对应的数据集合；
S1107、根据不同诊断部位对应的数据集合，采用预设的改进随机森林算法对初始数据挖掘模型进行训练，得到数据挖掘模型；
S1108、根据样本历史扫描数据，确定专家推荐模型的第一权重和数据挖掘模型的第二权重；
S1109、根据专家推荐模型、第一权重、数据挖掘模型和第二权重，确定扫描方案推荐模型。
在本实施例中，在获取到用户的扫描特征信息之后，就可以根据预设的扫描方案推荐模型得到与当前用户的扫描特征信息匹配的扫描推荐方案，不需要操作人员人工根据扫描特征信息进行扫描方案的确定、相关参数的调整等操作，节省了扫描准确所耗费的时间，提高了扫描的效率和服务质量，且，进一步地，预设的扫描推荐模型由主观维度的专家推荐模型和客观维度的数据挖掘模型构成，提高了扫描推荐模型的准确性，使得得到的扫描推荐方案更为准确。
上述实施例提供的扫描方案确定方法，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
应该理解的是，虽然图2-11的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-11中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图12所示，提供了一种扫描方案确定装置，包括：获取模块01、推荐模块02和确定模块03，其中：
获取模块01，用于获取用户的扫描特征信息；
推荐模块02，用于将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案；扫描方案推荐模型由专家推荐模型和数据挖掘模型构成；
确定模块03，用于根据扫描推荐方案确定用户的目标扫描方案。
在其中一个可选的实施例中，如图13所示，扫描方案确定装置还包括判断模块04；
判断模块04，用于根据用户的扫描特征信息，确定用户是否存在历史扫描数据；历史扫描数据中包括历史扫描特征信息、历史扫描方案；
确定模块03，还用于在存在历史扫描数据，且历史扫描特征信息与扫描特征信息一致的情况下，将用户的历史扫描方案作为目标扫描方案；
推荐模块02，用于在存在历史扫描数据，但历史扫描特征信息与扫描特征信息不一致，或，不存在历史扫描数据的情况下，将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案。
在其中一个可选的实施例中，如图14所示，扫描方案确定装置还包括训练模块05；
训练模块05，用于获取专家建议扫描数据，并根据专家建议扫描数据训练初始专家推荐模型，得到专家推荐模型；专家建议扫描数据包括多个用户的扫描特征信息、与用户的扫描特征信息对应的专家建议扫描方案；获取样本历史扫描数据，并根据样本历史扫描数据训练初始数据挖掘模型，得到数据挖掘模型；样本历史扫描数据包括多个用户的历史扫描特征信息和历史实际扫描方案；根据样本历史扫描数据，确定专家推荐模型的第一权重和数据挖掘模型的第二权重；根据专家推荐模型、第一权重、数据挖掘模型和第二权重，确定扫描方案推荐模型。
在其中一个可选的实施例中，训练模块05，用于将样本历史扫描数据输入至专家推荐模型，得到第一扫描方案，根据第一扫描方案和用户历史扫描方案的匹配度，确定专家推荐模型的第一得票数，将第一得票数与样本历史扫描数据的数据量的比值确定为专家推荐模型的权重；将样本历史扫描数据输入至数据挖掘模型，得到第二扫描方案，根据第二扫描方案和用户历史扫描方案的匹配度，确定数据挖掘模型第二得票数，将第二得票数与样本历史扫描数据的数据量比值确定为数据挖掘模型的权重。
在其中一个可选的实施例中，训练模块05，用于获取不同专家等级对应的专家建议扫描数据；不同专家等级对应不同的初始专家推荐子模型；不同专家等级对应不同的预设权重；针对各初始专家推荐子模型，以扫描特征信息为输入，以专家建议扫描方案为输出，对初始专家推荐子模型进行训练，得各初始专家推荐子模型对应的专家推荐子模型；根据不同专家等级对应的预设权重和各专家推荐子模型，得到专家推荐模型。
在其中一个可选的实施例中，训练模块05，用于获取样本历史扫描数据中各扫描图像数据，并根据扫描图像数据确定各用户的扫描参数；根据各用户的样本历史扫描数据、扫描图像数据和扫描参数构建扫描数据库；基于诊断部位对扫描数据库中的数据进行分类，得到不同诊断部位对应的数据集合；根据不同诊断部位对应的数据集合，采用预设的改进随机森林算法对初始数据挖掘模型进行训练，得到数据挖掘模型。
在其中一个可选的实施例中，训练模块05，用于根据数据集合，确定训练数据子集、验证数据子集和属性子集；训练数据子集、验证数据子集为根据预设比例对数据集合划分得到的；根据训练数据子集和属性子集构建决策树，直到构建出预设数量的决策树；根据验证数据子集对预设数量的决策树进行验证，确定各决策树的准确率；根据各决策树的准确率确定各决策树的权重，得到数据挖掘模型。
在其中一个可选的实施例中，训练模块05，用于根据预设的组织结构关系规则和数据集合中的各数据的属性，将数据集合分为强属性子集和弱属性子集；从强属性子集和弱属性子集中获取预设的获取比例的数据，得到属性子集。
在其中一个可选的实施例中，训练模块05，用于根据训练数据子集和属性子集构建决策树，计算每个决策树节点的分裂值；根据各决策树节点的分裂值，确定目标分裂原则；根据目标分裂原则进行决策树的构建，直到构建出预设数量的决策树。
在其中一个可选的实施例中，如图15所示，扫描方案确定装置还包括验证模块06；
验证模块06，用于基于预设的验证模型对初始数据挖掘模型进行收敛性验证；在初始数据挖掘模型达到收敛的情况下，停止构建决策树操作，得到数据挖掘模型。
在其中一个可选的实施例中，如图16所示，扫描方案确定装置还包括数据处理模块07；
数据处理模块07，用于对扫描数据库进行数据清洗，得到数据清洗之后的扫描数据库；数据清洗包括删除无效字段或记录、删除有误字段或记录；
训练模块05，还用于基于诊断部位对数据清洗之后的扫描数据库中的数据进行分类，得到不同诊断部位对应的数据集合。
关于扫描方案确定装置的具体限定可以参见上文中对于扫描方案确定方法的限定，在此不再赘述。上述扫描方案确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取用户的扫描特征信息；
将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案；扫描方案推荐模型由专家推荐模型和数据挖掘模型构成；
根据扫描推荐方案确定用户的目标扫描方案。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取用户的扫描特征信息；
将用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到用户的扫描推荐方案；扫描方案推荐模型由专家推荐模型和数据挖掘模型构成；
根据扫描推荐方案确定用户的目标扫描方案。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种扫描方案确定方法，其特征在于，所述方法包括：
获取用户的扫描特征信息；
将所述用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到所述用户的扫描推荐方案；所述扫描方案推荐模型由专家推荐模型和数据挖掘模型构成；
根据所述扫描推荐方案确定所述用户的目标扫描方案。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述用户的扫描特征信息，确定所述用户是否存在历史扫描数据；所述历史扫描数据中包括历史扫描特征信息、历史扫描方案；
若存在所述历史扫描数据，且所述历史扫描特征信息与所述扫描特征信息一致，则将所述用户的历史扫描方案作为所述目标扫描方案；
若存在所述历史扫描数据，但所述历史扫描特征信息与所述扫描特征信息不一致，或，不存在所述历史扫描数据，则执行所述将所述用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到所述用户的扫描推荐方案的步骤。
3.根据权利要求1所述的方法，其特征在于，所述扫描方案推荐模型的训练方法包括：
获取专家建议扫描数据，并根据所述专家建议扫描数据训练初始专家推荐模型，得到所述专家推荐模型；所述专家建议扫描数据包括多个用户的扫描特征信息、与所述用户的扫描特征信息对应的专家建议扫描方案；
获取样本历史扫描数据，并根据所述样本历史扫描数据训练初始数据挖掘模型，得到所述数据挖掘模型；所述样本历史扫描数据包括多个用户的历史扫描特征信息和历史实际扫描方案；
根据所述样本历史扫描数据，确定所述专家推荐模型的第一权重和所述数据挖掘模型的第二权重；
根据所述专家推荐模型、所述第一权重、所述数据挖掘模型和所述第二权重，确定所述扫描方案推荐模型。
4.根据权利要求3所述的方法，其特征在于，所述获取专家建议扫描数据，并根据所述专家建议扫描数据训练初始专家推荐模型，得到所述专家推荐模型，包括：
获取不同专家等级对应的专家建议扫描数据；所述不同专家等级对应不同的初始专家推荐子模型；所述不同专家等级对应不同的预设权重；
针对各所述初始专家推荐子模型，以所述扫描特征信息为输入，以所述专家建议扫描方案为输出，对各所述初始专家推荐子模型进行训练，得各所述初始专家推荐子模型对应的专家推荐子模型；
根据所述不同专家等级对应的预设权重和各所述专家推荐子模型，得到所述专家推荐模型。
5.根据权利要求3所述的方法，其特征在于，所述获取样本历史扫描数据，并根据所述样本历史扫描数据训练初始数据挖掘模型，得到所述数据挖掘模型，包括：
获取所述样本历史扫描数据中各用户的扫描图像数据，并根据所述扫描图像数据确定各所述用户的扫描参数；
根据各所述用户的样本历史扫描数据、扫描图像数据和所述扫描参数构建扫描数据库；
基于诊断部位对所述扫描数据库中的数据进行分类，得到不同诊断部位对应的数据集合；
根据不同诊断部位对应的数据集合，采用预设的改进随机森林算法对初始数据挖掘模型进行训练，得到所述数据挖掘模型。
6.根据权利要求5所述的方法，其特征在于，所述根据不同诊断部位对应的数据集合，采用预设的改进随机森林算法对初始数据挖掘模型进行训练，得到所述数据挖掘模型，包括：
根据所述数据集合，确定训练数据子集、验证数据子集和属性子集；所述训练数据子集、所述验证数据子集为根据预设比例对所述数据集合划分得到的；
根据所述训练数据子集和所述属性子集构建决策树，直到构建出预设数量的决策树；
根据所述验证数据子集对所述预设数量的决策树进行验证，确定各所述决策树的准确率；
根据各所述决策树的准确率确定各所述决策树的权重，得到所述数据挖掘模型。
7.根据权利要求5所述的方法，其特征在于，所述根据所述数据集合，确定属性子集，包括：
根据预设的组织结构关系规则和所述数据集合中的各数据的属性，将所述数据集合分为强属性子集和弱属性子集；
从所述强属性子集和所述弱属性子集中获取预设的获取比例的数据，得到所述属性子集。
8.一种扫描方案确定装置，其特征在于，所述装置包括：
获取模块，用于获取用户的扫描特征信息；
推荐模块，用于将所述用户的扫描特征信息输入至预设的扫描方案推荐模型中，得到所述用户的扫描推荐方案；所述扫描方案推荐模型由专家推荐模型和数据挖掘模型构成；
确定模块，用于根据所述扫描推荐方案确定所述用户的目标扫描方案。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111130425.0A 2021-09-26 2021-09-26 扫描方案确定方法、装置、计算机设备和存储介质 Pending CN114038550A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111130425.0A CN114038550A (zh) 2021-09-26 2021-09-26 扫描方案确定方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111130425.0A CN114038550A (zh) 2021-09-26 2021-09-26 扫描方案确定方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN114038550A true CN114038550A (zh) 2022-02-11

Family

ID=80140247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111130425.0A Pending CN114038550A (zh) 2021-09-26 2021-09-26 扫描方案确定方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114038550A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115134263A (zh) * 2022-06-29 2022-09-30 中国银行股份有限公司 网络设备的扫描方法及装置
CN117036302A (zh) * 2023-08-15 2023-11-10 西安交通大学医学院第一附属医院 主动脉瓣膜钙化程度的确定方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090276403A1 (en) * 2008-04-30 2009-11-05 Pablo Tamayo Projection mining for advanced recommendation systems and data mining
CN103955608A (zh) * 2014-04-24 2014-07-30 上海星华生物医药科技有限公司 一种智能医疗信息远程处理系统及处理方法
CN107808314A (zh) * 2016-09-09 2018-03-16 腾讯科技（深圳）有限公司 用户推荐方法及装置
CN110909236A (zh) * 2019-10-24 2020-03-24 东莞成电智信信息科技有限公司 一种基于大数据的专家推荐方法
CN110954118A (zh) * 2018-09-27 2020-04-03 上海博泰悦臻电子设备制造有限公司 一种用于车机的服务推荐方法及系统
CN111128345A (zh) * 2019-11-19 2020-05-08 上海联影智能医疗科技有限公司 医学图像的获取方法、医学扫描设备和计算机存储介质
CN112037880A (zh) * 2020-08-31 2020-12-04 康键信息技术（深圳）有限公司 用药推荐方法、装置、设备及存储介质
CN112791367A (zh) * 2019-11-13 2021-05-14 财团法人资讯工业策进会 运动辅助装置及运动辅助方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090276403A1 (en) * 2008-04-30 2009-11-05 Pablo Tamayo Projection mining for advanced recommendation systems and data mining
CN103955608A (zh) * 2014-04-24 2014-07-30 上海星华生物医药科技有限公司 一种智能医疗信息远程处理系统及处理方法
CN107808314A (zh) * 2016-09-09 2018-03-16 腾讯科技（深圳）有限公司 用户推荐方法及装置
CN110954118A (zh) * 2018-09-27 2020-04-03 上海博泰悦臻电子设备制造有限公司 一种用于车机的服务推荐方法及系统
CN110909236A (zh) * 2019-10-24 2020-03-24 东莞成电智信信息科技有限公司 一种基于大数据的专家推荐方法
CN112791367A (zh) * 2019-11-13 2021-05-14 财团法人资讯工业策进会 运动辅助装置及运动辅助方法
CN111128345A (zh) * 2019-11-19 2020-05-08 上海联影智能医疗科技有限公司 医学图像的获取方法、医学扫描设备和计算机存储介质
CN112037880A (zh) * 2020-08-31 2020-12-04 康键信息技术（深圳）有限公司 用药推荐方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115134263A (zh) * 2022-06-29 2022-09-30 中国银行股份有限公司 网络设备的扫描方法及装置
CN117036302A (zh) * 2023-08-15 2023-11-10 西安交通大学医学院第一附属医院 主动脉瓣膜钙化程度的确定方法和系统
CN117036302B (zh) * 2023-08-15 2024-04-02 西安交通大学医学院第一附属医院 主动脉瓣膜钙化程度的确定方法和系统

Similar Documents

Publication Publication Date Title
US11869202B2 (en) Method and system for processing multi-modality image
CN114038550A (zh) 扫描方案确定方法、装置、计算机设备和存储介质
CN104424385B (zh) 一种医学影像的评价方法和装置
CN110114834A (zh) 用于医疗程序的深度学习医疗系统和方法
US20170329903A1 (en) Providing operation instruction information of medical apparatus
EP3824477A1 (en) Data-driven estimation of predictive digital twin models from medical data
KR20140082721A (ko) 컴퓨팅 토모그래피(ct) 방사선 선량에 대한 일관되고 검증가능한 최적화 방법
WO2013040693A1 (en) Computer system and method for atlas-based consensual and consistent contouring of medical images
CN110010214A (zh) 一种分级转诊装置、系统和计算机可读存储介质
CN109615202A (zh) 家庭医生绩效考核方法、装置、设备及存储介质
JP7317136B2 (ja) 機械学習システムおよび方法、統合サーバ、情報処理装置、プログラムならびに推論モデルの作成方法
CN114283947B (zh) 一种适用于手术患者的健康管理方法及系统
CN115719334A (zh) 基于人工智能的医学影像评价方法、装置、设备及介质
CN113569984A (zh) 脑灌注状态分类装置、方法、设备及存储介质
US20200286599A1 (en) Experience Engine-Method and Apparatus of Learning from Similar Patients
JP2018536936A (ja) 診断情報項目のソート方法、システム及び記憶媒体
CN105868537B (zh) Pet-ct动态医学影像智能定量分析系统和分析方法
Fu et al. Data-driven preference learning in multiple criteria decision making in the evidential reasoning context
CN117711552A (zh) 一种基于人工智能知识库的放疗临床辅助决策方法及系统
Neuert et al. Determination of remodeling parameters for a strain-adaptive finite element model of the distal ulna
Huang et al. Health diagnosis robot based on healthcare big data and fuzzy matching
CN110992312A (zh) 医学图像处理方法、装置、存储介质及计算机设备
RU2720664C2 (ru) Автоматизированный вывод правил обеспечения качества
TWI774982B (zh) 醫療資源整合系統、計算機裝置及醫療資源整合方法
CN114332947A (zh) 一种图像分类系统及终端设备

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