CN114550915A - 一种在影像诊断中自动生成报告的方法及系统 - Google Patents
一种在影像诊断中自动生成报告的方法及系统 Download PDFInfo
- Publication number
- CN114550915A CN114550915A CN202210165392.1A CN202210165392A CN114550915A CN 114550915 A CN114550915 A CN 114550915A CN 202210165392 A CN202210165392 A CN 202210165392A CN 114550915 A CN114550915 A CN 114550915A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- neural network
- network model
- medical
- image
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims description 41
- 238000000605 extraction Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种在影像诊断中自动生成报告的方法及系统，其中所述方法包括：读取患者标识信息，调取相应的医学诊疗影像信息，判断所医学诊疗影像信息与患者标识信息是否匹配，如果匹配则调取相应的医学诊疗影像，使用对应的第一神经网络模型对医学诊疗影像进行特征提取，基于提取的特征使用第二神经网络模型生成初始诊断语句，基于初始诊断语句使用第三神经网络模型生成自然语言的病历报告。本发明可防止医学诊疗影像匹配到其他患者进而生成错误的诊断报告；并对多种医学图像进行处理自动生成诊断报告，能够为大量的病人及医生提供帮助，节省看病就诊时间，提高诊疗效率；提高了诊断报告的准确性。
Description
技术领域
本发明属于大数据分析与数据挖掘领域，尤其涉及一种在影像诊断中自动生成报告的方法与系统。
背景技术
随着医学影像技术的不断发展，医学影像对疾病的诊断提供了科学、直观的依据，CT、B超、X光片、核磁共振、心血管造影、多普勒彩超等医学影像技术成为了诊断疾病不可或缺的手段。
目前，在临床上医生通过阅读医学影像，作出相应的诊断报告，这会占用有经验医生的大部分精力和时间，缺乏一种自动生成影像诊断报告的方法，减少诊断时长，为患者尽快提供治疗。
发明内容
针对上述现有技术中存在的缺陷，本发明提供一种在影像诊断中自动生成报告的方法，包括以下步骤：
读取患者标识信息；
基于所述患者标识信息，调取相应的医学诊疗影像信息；
判断所述医学诊疗影像信息与患者标识信息是否匹配；
如果匹配，则调取相应的医学诊疗影像；
使用对应的第一神经网络模型对所述医学诊疗影像进行特征提取；
基于提取的特征，使用第二神经网络模型生成初始诊断语句；
基于所述初始诊断语句，使用第三神经网络模型生成自然语言的病历报告。
优选的，所述患者标识信息包括患者ID、挂号时间、求诊的科室和医学诊疗影像生成时间。
优选的，所述相应的医学诊疗影像为未关联电子诊断报告的医学诊疗影像。
优选的，所述使用对应第一神经网络模型对所述医学诊疗影像进行特征提取，包括：
对所述医学诊疗影像进行预处理，识别相应类别；
获得所述医学诊疗影像的横向特征向量和纵向特征向量；
使用与相应类别对应的第一神经网络模型融合横向特征向量和纵向特征向量，获取所述医学诊疗影像的完整特征向量。
优选的，所述第一神经网络模型为卷积神经网络模型。
优选的，所述基于提取的特征，使用第二神经网络模型生成初始诊断语句，包括：将所述完整特征向量输入第二神经网络模型，获得所述医疗诊疗影像的初始诊断语句。
优选的，所述第二神经网络模型为长短期记忆网络。
优选的，所述基于所述初始诊断语句，使用第三神经网络模型生成自然语言的病历报告，包括：
将所述初始诊断语句进行单字切分，确定所述初始诊断语句中的每个文字；
根据预先训练完成的第三神经网络模型，确定所述初始诊断语句中的每个文字在所述初始诊断语句中的标记，并确定所述初始诊断语句的标记序列；
根据所述初始诊断语句的标记序列，确定最终诊断语句。
优选的，所述第三神经网络模型为基于条件随机场模型。
本发明还提出了一种在影像诊断中自动生成报告的系统，包括：
信息获取模块，用于获取患者标识信息和医学诊疗影像信息；
信息确认模块，用于判断所述医学诊疗影像信息与患者标识信息是否匹配；
图像获取模块，用于调取医学诊疗影像；
第一诊断模块，包括第一神经网络模型，用于对所述医学诊疗影像进行特征提取；
第二诊断模块，包括第二神经网络模型，用于生成初始诊断语句；
第三诊断模块，包括第三神经网络模型，用于生成自然语言的病历报告；
所述在影像诊断中自动生成报告的系统采用上述在影像诊断中自动生成报告的方法。
与现有技术相比，本发明的有益效果是：
本发明在调取医学诊疗影像前进行信息匹配，防止医学诊疗影像匹配到其他患者进而生成错误的诊断报告；
本发明通过第一神经网络模型可对多种医学图像进行特征提取，例如血管摄影图像、心血管造影图像、电脑断层扫描CT图像、乳房摄影图像、正子发射断层扫描PET图像、核磁共振成像NMRI和医学超声波图像等，再通过第二神经网络模型生成初始诊断语句，第三神经网络模型确定最终诊断报告。本发明自动生成诊断报告能够为大量的病人及医生提供帮助，节省看病就诊时间，提高诊疗效率；
本发明采用三种神经网络模型逐步生成诊断报告，提高了诊断报告的准确性。
附图说明
通过参考附图阅读下文的详细描述，本发明公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示出根据本发明实施例的一种在影像诊断中自动生成报告的方法流程图；
图2是示出根据本发明实施例的一种在影像诊断中自动生成报告的系统的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
下面结合附图详细说明本发明的可选实施例。
在某一实施例中，如图1所示，本发明公开了一种在影像诊断中自动生成报告的方法，包括以下步骤：
读取患者标识信息；
基于所述患者标识信息，调取相应的医学诊疗影像信息；
判断所述医学诊疗影像信息与患者标识信息是否匹配；
如果匹配，则调取相应的医学诊疗影像；
使用对应的第一神经网络模型对所述医学诊疗影像进行特征提取；
基于提取的特征，使用第二神经网络模型生成初始诊断语句；
基于所述初始诊断语句，使用第三神经网络模型生成自然语言的病历报告。
在某一实施例中，所述患者标识信息包括患者ID、挂号时间、求诊的科室和医学诊疗影像生成时间。
在某一实施例中，所述相应的医学诊疗影像为未关联电子诊断报告的医学诊疗影像。
在某一实施例中，所述使用对应第一神经网络模型对所述医学诊疗影像进行特征提取，包括：
对所述医学诊疗影像进行预处理，识别相应类别，例如血管摄影图像、心血管造影图像、电脑断层扫描CT图像、乳房摄影图像、正子发射断层扫描PET图像、核磁共振成像NMRI和医学超声波图像；
获得所述医学诊疗影像的横向特征向量和纵向特征向量；采用残差网络来提取医学诊疗影像Img的横向特征向量I＝{i1,i2,...,is}，特征提取过程采用公式I＝fy(Img)，其中所述横向特征向量I为S维，fy表示横向特征向量提取函数；采用残差网络来提取纵向特征向量L＝{l1,l2,...,ls}，特征提取过程如公式L＝ft(Img)，其中，所述纵向特征向量L为S维；ft表示纵向特征向量提取函数；
使用与相应类别对应的第一神经网络模型融合横向特征向量和纵向特征向量，获取所述医学诊疗影像的完整特征向量；将所述I和L进行融合得到图片的整体特征向量X＝{x1,x2,...,xs}，作为编码器的输入源序列，融合过程采用公式X＝I×L＝{x1,x2,...,xs}，其中，所述整体特征向量X为S维；I与L分别表示所述横向特征向量与纵向特征向量向量，由此得到影像对应的特征
在某一实施例中，所述第一神经网络模型为卷积神经网络模型。
在某一实施例中，所述基于提取的特征，使用第二神经网络模型生成初始诊断语句，包括：将所述完整特征向量输入第二神经网络模型，获得所述医疗诊疗影像的初始诊断语句。
在某一实施例中，所述第二神经网络模型为长短期记忆网络。对所述完整特征向量使用视觉注意力机制，有了注意力的影像特征表示为：
其中，
表示生成前一个文本信息向量时的隐藏状态。计算有注意力的影像特征按如下步骤进行：获得注意力矩阵：
其中，
以保证在所有位置出的注意力系数的总和为1；通过加和操作得到赋予了注意力的影像特征：
使用长短期记忆网络生成文本信息序列：每一个时间步s，通过上述步骤得到的影像特征，作为该时刻的长短期记忆网络的输入，得到输出的隐藏状态
该时刻对应的文本信息向量为
在计算文本信息向量的同时，还计算停止的概率
当该估计值超过一定的阈值时，停止产生句子；使用长短期记忆网络生成完整的句子：使用文本信息向量和特殊的start标记作为网络初始两个时间步的输入，在之后的时间步中，以前一个时间步的隐藏状态
作为输入；在每一个时间步上通过：
得到该位置处的预测词向量，即得到每一个词语。初始化模型的参数，包括：在U-Net卷积神经网络中初始化每个卷积层的权重和偏置；在计算添加了注意力的影像特征时，初始化Watt，Wy，Wh；生成文本信息向量的长短期记忆网络中，初始化长短期记忆网络中输入门、遗忘门和输出门对应的权重参数，以及生成文本信息向量时权重Wt,hsent和Wt,ctx，判断是否停止需要的权重Wstop，Wstop,s-1和Wstop,s；生成完整句子的长短期记忆网络中，相应地输入门、遗忘门和输出门的权重参数，以及转换为词向量时的Wout参数；迭代优化参数：通过随机梯度下降算法，对网络参数进行优化。
在其他实施例中，所述第二神经网络模型为Transformer模型，其将完整特征向量输入该模型的编码器中，得到所述完整特征向量编码后的隐藏层状态值，将所述隐藏层状态值输入该模型的解码器中，获得所述医学诊疗影像对应的目标文本向量，所述目标文本向量构成初始诊断语句。
在某一实施例中，所述基于所述初始诊断语句，使用第三神经网络模型生成自然语言的病历报告，包括：
将所述初始诊断语句进行单字切分，确定所述初始诊断语句中的每个文字；
根据预先训练完成的第三神经网络模型，确定所述初始诊断语句中的每个文字在所述初始诊断语句中的标记，并确定所述初始诊断语句的标记序列；
根据所述初始诊断语句的标记序列，确定最终诊断语句。
在某一实施例中，所述第三神经网络模型为基于条件随机场模型。从预先设置的语料库中提取待处理语句中的每个文字的CRF统计特征值；所述预先设置的语料库中记录有原始数据中各语句、各语句中的实体、以及各语句中的实体在各语句中的位置以及实体类别；所述CRF统计特征值包括每个文字在各语句中的分词特征值；根据每个字在各语句中的CRF统计特征值，确定一训练模型；所述训练模型为：
根据所述训练模型，计算待处理语句中的每个文字的实体标记yj；将每个文字的实体标记进行组合，形成待处理语句的实体标记序列；其中x表示所述待处理语句；yj表示待处理语句中j位置对应的文字的实体标记；fi(yj,yj-1,x)表示待处理语句中分词特征i的函数值；λi为模型参数；m表示分词特征的个数；n表示待处理语句中的文字位置个数；Z(x)表示归一化因子，p(y|x)表示文字在待处理语句中的标记概率。
根据待处理语句的实体标记序列，确定待处理语句的第一组候选实体，包括：在实体标记序列中确定各文字对应的分词特征值，并根据所述分词特征值确定待处理语句的第一组候选实体。
在某一实施例中，如图2所示，本发明还提出了一种在影像诊断中自动生成报告的系统，其包括：
信息获取模块，用于获取患者标识信息和医学诊疗影像信息；
信息确认模块，用于判断所述医学诊疗影像信息与患者标识信息是否匹配；
图像获取模块，用于调取医学诊疗影像；
第一诊断模块，包括第一神经网络模型，用于对所述医学诊疗影像进行特征提取；
第二诊断模块，包括第二神经网络模型，用于生成初始诊断语句；
第三诊断模块，包括第三神经网络模型，用于生成自然语言的病历报告；
所述在影像诊断中自动生成报告的系统采用上述在影像诊断中自动生成报告的方法。
本发明公开实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行如上实施例所述的方法步骤。
需要说明的是，本发明公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(AN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本发明公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
以上介绍了本发明的较佳实施方式，旨在使得本发明的精神更加清楚和便于理解，并不是为了限制本发明，凡在本发明的精神和原则之内，所做的修改、替换、改进，均应包含在本发明所附的权利要求概括的保护范围之内。
Claims (10)
1.一种在影像诊断中自动生成报告的方法，其特征在于，包括以下步骤：
读取患者标识信息；
基于所述患者标识信息，调取相应的医学诊疗影像信息；
判断所述医学诊疗影像信息与患者标识信息是否匹配；
如果匹配，则调取相应的医学诊疗影像；
使用对应的第一神经网络模型对所述医学诊疗影像进行特征提取；
基于提取的特征，使用第二神经网络模型生成初始诊断语句；
基于所述初始诊断语句，使用第三神经网络模型生成自然语言的病历报告。
2.根据权利要求1所述的一种在影像诊断中自动生成报告的方法，其特征在于，所述患者标识信息包括患者ID、挂号时间、求诊的科室和医学诊疗影像生成时间。
3.根据权利要求1所述的一种在影像诊断中自动生成报告的方法，其特征在于，所述相应的医学诊疗影像为未关联电子诊断报告的医学诊疗影像。
4.根据权利要求1所述的一种在影像诊断中自动生成报告的方法，其特征在于，所述使用对应第一神经网络模型对所述医学诊疗影像进行特征提取，包括：
对所述医学诊疗影像进行预处理，识别相应类别；
获得所述医学诊疗影像的横向特征向量和纵向特征向量；
使用与相应类别对应的第一神经网络模型融合横向特征向量和纵向特征向量，获取所述医学诊疗影像的完整特征向量。
5.根据权利要求4所述的一种在影像诊断中自动生成报告的方法，其特征在于，所述第一神经网络模型为卷积神经网络模型。
6.根据权利要求4所述的一种在影像诊断中自动生成报告的方法，其特征在于，所述基于提取的特征，使用第二神经网络模型生成初始诊断语句，包括：
将所述完整特征向量输入第二神经网络模型，获得所述医疗诊疗影像的初始诊断语句。
7.根据权利要求6所述的一种在影像诊断中自动生成报告的方法，其特征在于，所述第二神经网络模型为长短期记忆网络。
8.根据权利要求7所述的一种在影像诊断中自动生成报告的方法，其特征在于，所述基于所述初始诊断语句，使用第三神经网络模型生成自然语言的病历报告，包括：
将所述初始诊断语句进行单字切分，确定所述初始诊断语句中的每个文字；
根据预先训练完成的第三神经网络模型，确定所述初始诊断语句中的每个文字在所述初始诊断语句中的标记，并确定所述初始诊断语句的标记序列；
根据所述初始诊断语句的标记序列，确定最终诊断语句。
9.根据权利要求8所述的一种在影像诊断中自动生成报告的方法，其特征在于，所述第三神经网络模型为基于条件随机场模型。
10.一种在影像诊断中自动生成报告的系统，其特征在于，包括：
信息获取模块，用于获取患者标识信息和医学诊疗影像信息；
信息确认模块，用于判断所述医学诊疗影像信息与患者标识信息是否匹配；
图像获取模块，用于调取医学诊疗影像；
第一诊断模块，包括第一神经网络模型，用于对所述医学诊疗影像进行特征提取；
第二诊断模块，包括第二神经网络模型，用于生成初始诊断语句；
第三诊断模块，包括第三神经网络模型，用于生成自然语言的病历报告；
所述在影像诊断中自动生成报告的系统采用权利要求1-9任一项所述的在影像诊断中自动生成报告的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210165392.1A CN114550915A (zh) | 2022-02-22 | 2022-02-22 | 一种在影像诊断中自动生成报告的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210165392.1A CN114550915A (zh) | 2022-02-22 | 2022-02-22 | 一种在影像诊断中自动生成报告的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114550915A true CN114550915A (zh) | 2022-05-27 |
Family
ID=81676549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210165392.1A Pending CN114550915A (zh) | 2022-02-22 | 2022-02-22 | 一种在影像诊断中自动生成报告的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114550915A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114783559A (zh) * | 2022-06-23 | 2022-07-22 | 浙江太美医疗科技股份有限公司 | 医学影像报告信息抽取方法、装置、电子设备和存储介质 |
| CN117153343A (zh) * | 2023-08-16 | 2023-12-01 | 丽水瑞联医疗科技有限公司 | 一种胎盘多尺度分析系统 |
| CN117292782A (zh) * | 2023-06-08 | 2023-12-26 | 王其景 | 一种电子报告自动生成的方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376558A (zh) * | 2018-01-24 | 2018-08-07 | 复旦大学 | 一种多模态核磁共振影像病历报告自动生成方法 |
| CN109741806A (zh) * | 2019-01-07 | 2019-05-10 | 北京推想科技有限公司 | 一种医学影像诊断报告辅助生成方法及其装置 |
| CN112786194A (zh) * | 2021-01-28 | 2021-05-11 | 北京一脉阳光医学信息技术有限公司 | 基于人工智能的医学影像导诊导检系统、方法及设备 |
| CN113627564A (zh) * | 2021-08-23 | 2021-11-09 | 李永鑫 | 基于深度学习的ct医学影像处理模型训练方法及诊疗系统 |
-
2022
- 2022-02-22 CN CN202210165392.1A patent/CN114550915A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376558A (zh) * | 2018-01-24 | 2018-08-07 | 复旦大学 | 一种多模态核磁共振影像病历报告自动生成方法 |
| CN109741806A (zh) * | 2019-01-07 | 2019-05-10 | 北京推想科技有限公司 | 一种医学影像诊断报告辅助生成方法及其装置 |
| CN112786194A (zh) * | 2021-01-28 | 2021-05-11 | 北京一脉阳光医学信息技术有限公司 | 基于人工智能的医学影像导诊导检系统、方法及设备 |
| CN113627564A (zh) * | 2021-08-23 | 2021-11-09 | 李永鑫 | 基于深度学习的ct医学影像处理模型训练方法及诊疗系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114783559A (zh) * | 2022-06-23 | 2022-07-22 | 浙江太美医疗科技股份有限公司 | 医学影像报告信息抽取方法、装置、电子设备和存储介质 |
| CN114783559B (zh) * | 2022-06-23 | 2022-09-30 | 浙江太美医疗科技股份有限公司 | 医学影像报告信息抽取方法、装置、电子设备和存储介质 |
| CN117292782A (zh) * | 2023-06-08 | 2023-12-26 | 王其景 | 一种电子报告自动生成的方法及系统 |
| CN117153343A (zh) * | 2023-08-16 | 2023-12-01 | 丽水瑞联医疗科技有限公司 | 一种胎盘多尺度分析系统 |
| CN117153343B (zh) * | 2023-08-16 | 2024-04-05 | 丽水瑞联医疗科技有限公司 | 一种胎盘多尺度分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033859B (zh) | 评估患者的医学检查结果的方法、系统、程序和存储介质 | |
| CN110459287B (zh) | 来自医学文本报告的结构化报告数据 | |
| US20220383495A1 (en) | Systems and methods for probablistic segmentation in anatomical image processing | |
| CN112712879B (zh) | 医学影像报告的信息提取方法、装置、设备及存储介质 | |
| CN114550915A (zh) | 一种在影像诊断中自动生成报告的方法及系统 | |
| CN109545302B (zh) | 一种基于语义的医学影像报告模板生成方法 | |
| US20180196873A1 (en) | Visualization framework based on document representation learning | |
| RU2711305C2 (ru) | Связывание отчета / изображения | |
| Yi et al. | Automatic catheter and tube detection in pediatric x-ray images using a scale-recurrent network and synthetic data | |
| US11172889B2 (en) | Topological evolution of tumor imagery | |
| US11810654B2 (en) | Method and system for automatically generating a section in a radiology report | |
| Beddiar et al. | Automatic captioning for medical imaging (MIC): a rapid review of literature | |
| EP4266195A1 (en) | Training of text and image models | |
| Sirshar et al. | Attention based automated radiology report generation using CNN and LSTM | |
| CN115205880A (zh) | 一种医学影像报告生成方法及装置 | |
| CN112884060A (zh) | 图像标注方法、装置、电子设备及存储介质 | |
| WO2021244926A1 (en) | Semi-supervised learning using co-training of radiology report and medical images | |
| Tiwari et al. | Automatic generation of chest x-ray medical imaging reports using lstm-cnn | |
| Hartsock et al. | Vision-language models for medical report generation and visual question answering: A review | |
| Zhao et al. | Whole mandibular canal segmentation using transformed dental CBCT volume in Frenet frame | |
| CN115578396B (zh) | 一种血管图像提取方法、装置、电子设备和可读存储介质 | |
| Hou et al. | Radiology Report Generation via Visual Recalibration and Context Gating-Aware | |
| CN116843778B (zh) | 一种基于放射学报告生成x线胸片图像的方法及系统 | |
| Declerck et al. | Context-sensitive identification of regions of interest in a medical image | |
| CN117954041A (zh) | 一种医学影像报告生成方法、系统及计算机存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220527 |
|
| RJ01 | Rejection of invention patent application after publication |