CN115719334A - 基于人工智能的医学影像评价方法、装置、设备及介质 - Google Patents

Abstract

本发明实施例提供了一种基于人工智能的医学影像评价方法、装置、设备及介质，方法包括：采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；构建深度神经网络模型；利用所述模型训练集对每个目标质控评价项目构建的深度神经网络进行训练，生成医学影像质控多任务分类模型；采集待评价医学影像数据，并根据质控需求对待评价的医学影像数据进行映射、识别，得到待评价的影像检查数据；将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果。本发明能大幅度提高医学影像的质控效率。

Description

基于人工智能的医学影像评价方法、装置、设备及介质

技术领域

本发明涉及人工智能领域，具体而言，涉及一种基于人工智能的医学影像评价方法、装置、设备及介质。

背景技术

医学影像是指为了医疗或医学研究，对人体或人体某部份，以非侵入方式取得内部组织影像的技术与处理过程。医学影像属于生物影像，并包含影像诊断学、放射学、内视镜、医疗用热影像技术、医学摄影和显微镜。

医学影像的质量高低直接影响着医务工作者对疾病的诊断与治疗决策，医疗质量的同质化是检查资料共享和检查结果互认的基础。然而，由于放射科质量控制与管理工作标准化程度不够，质控标准同质化程度低，且设备厂商、软件版本也不尽相同，导致影像的质量存在较大差异。

传统的医学影像质量控制方法仅仅依靠人工判别，缺乏客观性，容易造成结果的差异，且人工判别的效率低，会很大程度上增加医师、医技的工作量，严重阻碍了影像图像质控工作的落实。

近年来，AI技术快速发展，在肺小结节、骨折、肿瘤等辅助诊断方面已取得突破性的成果，能有效替代重复性工作，提高效率和准确性，但AI技术在医学影像图像质量控制领域的应用仍相对空白。

发明内容

有鉴于此，本发明的目的在于提供一种基于人工智能的医学影像评价方法、装置、设备及介质，以改善上述问题。

本发明实施例提供了一种基于人工智能的医学影像评价方法，其包括：

采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；所述样本数据集包括模型训练集；

构建深度神经网络模型；所述深度神经网络模型的CNN主干网络由卷积层、池化层、归一化层、激活函数和全连接层组成；

利用所述模型训练集对每个目标质控评价项目构建的深度神经网络进行训练，生成医学影像质控多任务分类模型；

采集待评价医学影像数据，并根据质控需求对待评价的医学影像数据进行映射、识别，得到待评价的影像检查数据；

将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果。

优选地，采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；所述样本数据集包括模型训练集，具体包括：

提取识别出的每个目标质控评价项目对应的至少部分历史影像检查数据中的影像数据作为样本图像数据，并通过补齐至统一长度进行归一化处理；

根据提取出的所述样本图像数据及对应的质控标注生成带有质控标注的样本数据集，并从所述样本数据集提取至少部分样本数据作为模型训练集。

优选地，在模型训练时：

根据模型训练集对建立的深度神经网络进行训练；其中，在开始训练前预先设置批处理数量和初始学习率，在开始训练后根据损失函数下降情况调整学习率，得到训练后的医学影像质控多任务分类模型。

优选地，构造逻辑回归损失函数；

其中，X为输入的预处理后的影像数据；(y₁,y₂,...,y_k)为X对应的专家标注数据；

为深度神经模型预测X是否符合第i类型质控标准上的概率或质控分数。

优选地，根据训练时模型收敛速度及性能变化选择固定策略的学习率衰减调整策略或自适应学习率衰减调整策略作为学习率调整策略。

优选地，如果选择固定策略的学习率衰减调整策略作为所述学习率调整策略，则验证模型，判断周期内，验证集损失函数是否下降，若否，则将学习率调整为原学习率的

保存模型参数；重复验证模型的步骤；当连续N个周期内，所述验证集损失函数没有继续下降，则输出模型。

优选地，所述样本数据集还包括用于进行模型验证的模型验证集，则在进行模型验证时：

将所述模型验证集中的影像检查数据输入到训练好的医学影像质控多任务分类模型中，输出各条影像检查数据对应的医学影像图像质量相关标准评价结果；将医学影像质控多任务分类模型输出的评价结果与模型验证集中各条影像检查数据对应的质控标注进行比较，并根据损失函数计算两者差异；

当差异性大于预设阈值时，分析存在差异的影像检查数据、模型输出结果及对应的质控标注，调整模型参数优化模型性能。

优选地，所述样本数据集还包括用于进行模型测试的模型测试集，则在进行模型测试时，将所述模型测试集中的影像检查数据输入到经模型参数调整后的医学影像质控多任务分类模型中，输出各条影像检查数据对应的医学影像图像质量相关标准评价结果；

将医学影像质控多任务分类模型输出的评价结果与模型测试集中各条影像检查数据对应的质控标注进行比较，并根据损失函数计算两者差异；

当差异性仍大于预设阈值时，重新进行模型构建与训练。

优选地，将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果之后，还包括，

将待评价的影像检查数据中的影像数据进行解析，提取其中的文本信息，将所述文本信息与对应的目标质控评价项目的质控语义描述框架中的医学影像信息完整度相关标准进行逐条匹配，输出待评价的影像检查数据对应的医学影像信息完整度相关标准评价结果；

根据各个目标质控评价项目的质控语义描述框架的分数设置，结合所述医学影像图像质量评价结果及所述医学影像信息完整度评价结果，自动生成各条待评价的医学影像数据对应的医学影像评价报告。

本发明实施例还提供了一种基于人工智能的医学影像评价装置，其包括：

采集单元，用于采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集，所述样本数据集包括模型训练集；

构建单元，用于构建深度神经网络模型；所述深度神经网络模型的CNN主干网络由卷积层、池化层、归一化层、激活函数和全连接层组成；

模型生成单元，用于利用所述模型训练集对构建的每个目标质控评价项目的深度神经网络进行训练，生成医学影像质控多任务分类模型；

获取单元，用于获取待评价医学影像数据，并根据质控需求对待评价的医学影像数据进行映射、识别，得到待评价的影像检查数据；

评价结果输出单元，用于将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果。

本发明实施例还提供了一种基于人工智能的医学影像评价设备，其包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的基于人工智能的医学影像评价方法。

本发明实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上述的基于人工智能的医学影像评价方法。

综上所述，本实施例将影像质控与人工智能相结合，在现有影像质控标准上以领域专家的质控标注结果作为监督学习样本，使用自然语言处理方法和基于深度神经网络的医学影像质控多任务分类核心技术，自动完成医学影像图像质量评价，结合医学影像信息完整度评价实时生成质控评价报告。

本发明能大幅度提高了质控效率，协助质控专家发现问题、精准帮扶，有望推动医学影像数据标准化能力在医疗业务和医学影像质控系统场景中的应用落地，同时，有助于提高检查结果互认数据共享的一致性和有效性，提升互认率，推进检查资料共享和检查结果互认的实现。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1是本发明第一实施例提供的基于人工智能的医学影像评价方法的流程示意图。

图2为本发明实施例提供的深度神经网络模型的示意图。

图3为本发明实施例提供的深度神经网络模型的工作原理图。

图4是本发明第二实施例提供的基于人工智能的医学影像评价装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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他实施例，都属于本发明保护的范围。

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，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。

下面结合附图与具体实施方式对本发明作进一步详细描述：

请参阅图1，本发明第一实施例提供了一种基于人工智能的医学影像评价方法，其可由基于人工智能的医学影像评价设备(以下简称评价设备)来执行，特别的，由所述评价设备内的一个或者多个处理器来执行，以实现如下步骤：

S101，采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；所述样本数据集包括模型训练集。

在本实施例中，步骤S101具体包括：

S1011，提取识别出的每个目标质控评价项目对应的至少部分历史影像检查数据中的影像数据作为样本图像数据，并通过补齐至统一长度进行归一化处理。

在本实施例中，所述目标质控评价项目为预设的一个或多个医学影像检查项目。例如，当所述目标质控评价项目为胸部正位DR项目、胸部CT平扫项目时，本实施例将从采集到的历史影像检查数据中分别识别出属于胸部正位DR项目及胸部CT平扫项目的数据作为样本图像数据。

在本实施例中，考虑到任何评价方法及系统的实现都离不开一套评价标准，因此本实施例的首要任务是确定一套科学可行的质控评价标准，并以此为基础搭建影像质控评价体系标准。

其中，本实施例采用的影像质控评价体系标准可通过结合如下资料来构建：

1、国家或区域卫生健康管理机构发文中明确规定的相关影像质控标准；

2、各个不同医学影像检查项目领域的权威专家的经验和意见。

其中，不同医学影像检查项目具体包括哪些标准可根据区域实际的质控需求灵活设置，本发明不做具体限定。

在本实施例中，所述质控语义描述框架指本实施例进行质控评价时依据的评价标准，主要包括对影像信息完整度、影像图像质量的评价标准。其中，所述质控语义描述框架中所包含的每一个评价标准点都是技师在拍片过程中以及医生在阅片过程中所关注的重点，以此为基础搭建的影像质控评价体系才能作为实现影像检查互认或辅助医生做出准确诊断的前提。

以目标质控评价项目为胸部正位DR检查项目为例：

胸部正位DR检查项目的质控语义描述框架如下：

其中，需要指出的是，“受检者基本信息完整度评价”的7个信息缺一不可，都是必要信息。如受检者基本信息出现缺失，则影像不再进入后续质控流程，该影像的质控结果为不合格。

其中，上述基本信息包括病人本身的基本情况和拍照机器的相关参数。病人的基本信息是医生看片的主要参考信息，所以要求一份高质量医学影像一定要包含这部分信息。而机器的相关参数也直接影响着成片的质量，即能不能看得清楚或者视野范围合不合要求。

需要说明的是，上述内容仅为本发明的一个示例，不能理解为对本发明的限定。在实际的情况中，质控语义描述框架中的评价标准点、评价形式(选择、填空)、分数设置等均可根据实际质控需求进行灵活调整。其中，选择评价形式可用于离散值作为AI任务标签的评价工作，而填空形式可用于连续值作为AI任务标签的评价工作。亦可给定分数范围后让标注人员根据经验填入连续值作为任务标签，本发明在此不做具体限定。

在本实施例中，所述历史影像检查数据包括检查申请单、检查报告以及医学影像数据；所述医学影像数据包括至少一个医学影像检查项目；所述医学影像检查项目具有至少一个字段，所述字段包括检查部位以及检查方法。

当然，在其他一些实施例中，所述字段还可以包括检查项目编码、检查项目收费编码、医学影像检查描述、医学影像检查情况具体描述、检查结果、病史、检查设备对应编码、医院唯一标识等，本发明不做具体限定。

在本实施例中，在获得历史影像检查数据后，就可以从历史影像检查数据中提取识别出的与每个目标质控评价项目对应的数据来作为样本图像数据。

其中，考虑到不同医院的医生在默认书写规范及书写习惯上有所不同，且不同的医院在管理规范以及信息化程度上也有所差异，致使针对同一检查项目，不同医院的医学影像数据中的检查项目信息也有较大的差异。因此，需要对样本图像数据补齐至统一长度进行归一化处理。

S1012，根据提取出的所述样本图像数据及对应的质控标注生成带有质控标注的样本数据集，并从所述样本数据集中提取至少部分作为模型训练集。

例如，某条胸部正位DR检查项目历史影像数据，经标注后的结果如下所示：

S102,构建深度神经网络模型；所述深度神经网络模型的CNN主干网络由卷积层、池化层、归一化层、激活函数和全连接层组成。

其中，可用的深度神经网络模型包括AlexNet、ResNet、DenseNet等，具体模型的选择可根据医学影像的数据量、可用计算资源等条件灵活选择。可选的，网络参数可经过预训练进行初始化。例如，用在ImageNet数据集上预训练的可选模型权重进行模型初始化，以便充分利用在ImageNet数据集上学习的提取深层次特征的能力。

其中，所述CNN主干网络由卷积层、池化层、归一化层、激活函数和全连接层FC组成。CNN的最后两层，包括池化层和全连接层，其输出的结果将会进一步用于特征选择和映射。

其中，全连接层的输出维度与质控批注的数量一致。

其中，所述深度神经网络模型所使用的损失函数可以为逻辑回归损失函数、L2损失函数等，本发明对此不做具体限定，可根据实际应用场景需求和最终的模型效果灵活选择。

以逻辑回归损失函数为例进行说明，其公式如下所示：

其中，X为输入的预处理后的影像数据，(y₁,y₂,...,y_k)为X对应的质控标注，

为深度神经模型预测X是否符合第i类型质控标准上的概率(属于分类任务时)或质控分数(属于回归任务时)。

S103，利用所述模型训练集对每个目标质控评价项目构建的深度神经网络进行训练，生成医学影像质控多任务分类模型。

在本实施例中，在进行模型训练时，将模型训练集输入到深度神经网络进行训练。训练的学习率的调整策略可以选择人工调整或策略调整，其中，策略调整包括固定策略的学习率衰减调整和自适应学习率衰减调整。可根据模型收敛速度和性能变化对比选择。

以固定策略的学习率衰减调整为例进行说明：

当验证训练集损失函数连续两个周期没有下降时，将学习率降低为原来的n分之一，直至连续N个(如5个)周期损失函数没有下降就结束训练。模型训练的每个周期都保存最好的模型参数。

其中，所述样本数据集还可划分为模型训练集、模型验证集和模型测试集用以模型训练、验证和测试。

其中，所述模型训练集、模型验证集、模型测试集中数据比例的划分可以根据随机划分或其他划分方式得到，本发明不做具体限定。

在进行模型验证时：

将所述模型验证集中的影像检查数据输入到训练好的医学影像质控多任务分类模型中，输出各条影像检查数据对应的医学影像图像质量相关标准评价结果；

将医学影像质控多任务分类模型输出的评价结果与模型验证集中各条影像检查数据对应的质控标注进行比较，并根据损失函数计算两者差异；

当差异性大于预设阈值时，分析存在差异的影像检查数据、模型输出结果及对应的质控标注，调整模型参数优化模型性能。

在进行模型测试时：

将所述模型测试集中的影像检查数据输入到经模型参数调整后的医学影像质控多任务分类模型中，输出各条影像检查数据对应的医学影像图像质量相关标准评价结果；

将医学影像质控多任务分类模型输出的评价结果与模型测试集中各条影像检查数据对应的质控标注进行比较，并根据损失函数计算两者差异；

当差异性仍大于预设阈值时，重新进行模型构建与训练。

在本实施例中，当目标质控评价项目为多个时，针对每个目标质控评价项目分别根据上述步骤建立和训练深度神经网络模型，即完成各个目标质控评价项目对应的多个医学影像质控多任务分类模型的建立。

S104，采集待评价医学影像数据，并根据质控需求对待评价的医学影像数据进行映射、识别，得到待评价的影像检查数据。

S105，将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果。

优选地，还包括：

将待评价的影像检查数据中的影像数据进行解析，提取其中的文本信息，将所述文本信息与对应的目标质控评价项目的质控语义描述框架中的医学影像信息完整度相关标准进行逐条匹配，输出待评价的影像检查数据对应的医学影像信息完整度相关标准评价结果；

根据各个目标质控评价项目的质控语义描述框架的分数设置，结合所述医学影像图像质量评价结果及所述医学影像信息完整度评价结果，自动生成各条待评价的医学影像数据对应的医学影像评价报告。

综上所述，本实施例将影像质控与人工智能相结合，在现有影像质控标准上以领域专家的质控标注结果作为监督学习样本，使用自然语言处理方法和基于深度神经网络的医学影像质控多任务分类核心技术，自动完成医学影像图像质量评价，结合医学影像信息完整度评价实时生成质控评价报告。

本发明能大幅度提高了质控效率，协助质控专家发现问题、精准帮扶，有望推动医学影像数据标准化能力在医疗业务和医学影像质控系统场景中的应用落地，同时，有助于提高检查结果互认数据共享的一致性和有效性，提升互认率，推进检查资料共享和检查结果互认的实现。

请参阅图4，本发明第二实施例还提供了一种基于人工智能的医学影像评价装置，其包括：

采集单元210，用于采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；所述样本数据集包括模型训练集、模型验证集和模型测试集；

构建单元220，用于构建深度神经网络模型；所述深度神经网络模型的CNN主干网络由卷积层、池化层、归一化层、激活函数和全连接层组成；

模型生成单元230，用于利用所述模型训练集对构建的每个目标质控评价项目的深度神经网络进行训练，生成医学影像质控多任务分类模型；

获取单元240，用于获取待评价医学影像数据，并根据质控需求对待评价的医学影像数据进行映射、识别，得到待评价的影像检查数据；

评价结果输出单元250，用于将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果。

本发明第三实施例还提供了一种基于人工智能的医学影像评价设备，其包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的基于人工智能的医学影像评价方法。

本发明第四实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上述的基于人工智能的医学影像评价方法。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，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过程、方法、物品或者设备不仅包括那些要素，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过程、方法、物品或者设备所固有的要素。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过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种基于人工智能的医学影像评价方法，其特征在于，包括：

采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；所述样本数据集包括模型训练集；

构建深度神经网络模型；所述深度神经网络模型的CNN主干网络由卷积层、池化层、归一化层、激活函数和全连接层组成；

利用所述模型训练集对每个目标质控评价项目构建的深度神经网络进行训练，生成医学影像质控多任务分类模型；

采集待评价医学影像数据，并根据质控需求对所述待评价的医学影像数据进行映射、识别，得到待评价的影像检查数据；

将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果。

2.根据权利要求1所述的基于人工智能的医学影像评价方法，其特征在于，

采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集；所述样本数据集包括模型训练集，具体包括：

提取识别出的每个目标质控评价项目对应的至少部分历史影像检查数据中的影像数据作为样本图像数据，并通过补齐至统一长度进行归一化处理；

根据提取出的所述样本图像数据及对应的质控标注生成带有质控标注的样本数据集，并从所述样本数据集提取至少部分样本数据作为模型训练集。

3.根据权利要求2所述的基于人工智能的医学影像评价方法，其特征在于，在模型训练时：

根据模型训练集对建立的深度神经网络进行训练；其中，在开始训练前预先设置批处理数量和初始学习率，在开始训练后根据损失函数下降情况调整学习率，得到训练后的医学影像质控多任务分类模型。

4.根据权利要求3所述的基于人工智能的医学影像评价方法，其特征在于，构造逻辑回归损失函数；

其中，X为输入的预处理后的影像数据；(y₁,y₂,...,y_k)为X对应的专家标注数据；

为深度神经模型预测X是否符合第i类型质控标准上的概率或质控分数。

5.根据权利要求3所述的基于人工智能的医学影像评价方法，其特征在于，

根据训练时模型收敛速度及性能变化选择固定策略的学习率衰减调整策略或自适应学习率衰减调整策略作为学习率调整策略。

6.根据权利要求3所述的基于人工智能的医学影像评价方法，其特征在于，如果选择固定策略的学习率衰减调整策略作为所述学习率调整策略，则验证模型，判断周期内，验证集损失函数是否下降，若否，则将学习率调整为原学习率的

保存模型参数；重复验证模型的步骤；当连续N个周期内，所述验证集损失函数没有继续下降，则输出模型。

7.根据权利要求6所述的基于人工智能的医学影像评价方法，其特征在于，所述样本数据集还包括用于进行模型验证的模型验证集，则在进行模型验证时：将所述模型验证集中的影像检查数据输入到训练好的医学影像质控多任务分类模型中，输出各条影像检查数据对应的医学影像图像质量相关标准评价结果；将医学影像质控多任务分类模型输出的评价结果与模型验证集中各条影像检查数据对应的质控标注进行比较，并根据损失函数计算两者差异；

当差异性大于预设阈值时，分析存在差异的影像检查数据、模型输出结果及对应的质控标注，调整模型参数优化模型性能。

8.根据权利要求6所述的基于人工智能的医学影像评价方法，其特征在于：所述样本数据集还包括用于进行模型测试的模型测试集，则在进行模型测试时，将所述模型测试集中的影像检查数据输入到经模型参数调整后的医学影像质控多任务分类模型中，输出各条影像检查数据对应的医学影像图像质量相关标准评价结果；

将医学影像质控多任务分类模型输出的评价结果与模型测试集中各条影像检查数据对应的质控标注进行比较，并根据损失函数计算两者差异；

当差异性仍大于预设阈值时，重新进行模型构建与训练。

9.根据权利要求2所述的基于人工智能的医学影像评价方法，其特征在于：

将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果之后，还包括，

将待评价的影像检查数据中的影像数据进行解析，提取其中的文本信息，将所述文本信息与对应的目标质控评价项目的质控语义描述框架中的医学影像信息完整度相关标准进行逐条匹配，输出待评价的影像检查数据对应的医学影像信息完整度相关标准评价结果；

根据各个目标质控评价项目的质控语义描述框架的分数设置，结合所述医学影像图像质量评价结果及所述医学影像信息完整度评价结果，自动生成各条待评价的医学影像数据对应的医学影像评价报告。

10.一种基于人工智能的医学影像评价装置，其特征在于，包括：

采集单元，用于采集预设覆盖范围及预设时间段内医疗机构的多条历史影像检查数据，并根据所述历史影像检查数据生成带有质控标注的样本数据集，所述样本数据集包括模型训练集；

构建单元，用于构建深度神经网络模型；所述深度神经网络模型的CNN主干网络由卷积层、池化层、归一化层、激活函数和全连接层组成；

模型生成单元，用于利用所述模型训练集对构建的每个目标质控评价项目的深度神经网络进行训练，生成医学影像质控多任务分类模型；

获取单元，用于获取待评价医学影像数据，并根据质控需求对待评价的医学影像数据进行映射、识别，得到待评价的影像检查数据；

评价结果输出单元，用于将待评价的影像检查数据经预处理后输入所述医学影像质控多任务分类模型，输出待评价的影像检查数据对应的医学影像图像质量标准评价结果。

11.一种基于人工智能的医学影像评价设备，其特征在于，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如权利要求1至9任意一项所述的人工智能的医学影像评价方法。

12.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如权利要求1至9任意一项所述的人工智能的医学影像评价方法。

Images