CN116052848B - 一种医学成像质控的数据编码方法及系统 - Google Patents
一种医学成像质控的数据编码方法及系统 Download PDFInfo
- Publication number
- CN116052848B CN116052848B CN202310339945.5A CN202310339945A CN116052848B CN 116052848 B CN116052848 B CN 116052848B CN 202310339945 A CN202310339945 A CN 202310339945A CN 116052848 B CN116052848 B CN 116052848B
- Authority
- CN
- China
- Prior art keywords
- medical
- image
- medical images
- reading
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医学影像处理技术领域,具体公开了一种医学成像质控的数据编码方法及系统,所述方法包括读取医学影像及其对应的病历信息,根据所述病历信息对所述医学影像进行一级聚类;读取医学影像的诊断信息,根据所述诊断信息对所述医学影像进行二级聚类;比对二级聚类后的同类医学影像,根据比对结果建立样本集与异常集;基于所述样本集训练神经网络模型,得到影像识别模型;当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度,根据所述常规度对该医学影像进行编码。本发明当接收到新的医学影像时,根据识别模型即可对医学影像进行分类,根据分类结果读取对应的编码规则,执行编码动作;编码有序性强,效率极高。
Description
技术领域
本发明涉及医学影像处理技术领域,具体是一种医学成像质控的数据编码方法及系统。
背景技术
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。另外,包括脑波图和脑磁造影等技术,虽然重点在于测量和记录,没有影像呈显,但因所产生的数据具有定位特性(即含有位置信息),可被看作是另外一种形式的医学影像;在现有的医疗背景下,医学影像是常用的诊断依据,其数量较多且非常繁琐。
对医学影像的存储过程需要进行编码,编码过程通俗地说,就是对医学影像进行命名,目标是将相似的医学影像在同一编码规则下进行编码,使得编码与图像内容之间存在一定的联系,管理者在看到编码时,就会知晓医学图像大致的内容。
发明内容
本发明的目的在于提供一种医学成像质控的数据编码方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种医学成像质控的数据编码方法,所述方法包括:
读取医学影像及其对应的病历信息,根据所述病历信息对所述医学影像进行一级聚类;
读取医学影像的诊断信息,根据所述诊断信息对所述医学影像进行二级聚类;
比对二级聚类后的同类医学影像,根据比对结果建立样本集与异常集;
基于所述样本集训练神经网络模型,得到影像识别模型,根据所述异常集定时评估所述影像识别模型;所述影像识别模型的输出为常规度;所述常规度用于表征医学影像的正常概率;
当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度,根据所述常规度对该医学影像进行编码。
作为本发明进一步的方案:所述读取医学影像及其对应的病历信息,根据所述病历信息对所述医学影像进行一级聚类的步骤包括:
读取医学影像及其病历信息,根据医学影像的生成时间对医学影像及其病历信息进行排序;
基于预设的病历模板对所述病历信息进行区域切分,得到含有区域标签的子区域;所述区域标签用于表征子区域的内容类型;
根据区域标签查询参考文本库,根据参考文本库对所述子区域进行文本识别,提取得到关键词组;所述关键词组的名称为区域标签;
根据含有区域标签的关键词组对所述医学影像进行一级聚类。
作为本发明进一步的方案:所述读取医学影像的诊断信息,根据所述诊断信息对所述医学影像进行二级聚类的步骤包括:
读取一级聚类后的同类医学影像的诊断信息,根据诊断信息的长度对诊断信息进行排序;
根据长度升序依次选取诊断信息,作为基准信息;
计算所述基准信息与其他诊断信息的匹配度;所述匹配度为相同字与其他诊断信息的总字数之间的比值;
根据所述匹配度对医学影像进行二级聚类。
作为本发明进一步的方案:所述比对二级聚类后的同类医学影像,根据比对结果建立样本集与异常集的步骤包括:
读取二级聚类后的同类医学影像,根据预设颗粒度的网格对医学影像进行切分;
计算每个子网格的灰度均值,得到灰度矩阵;
将所述灰度矩阵输入预设的计算公式,得到特征值;
获取特征值的众数,并计算各个特征值与所述众数之间的偏差率;
根据所述偏差率选取医学影像,建立样本集与异常集。
作为本发明进一步的方案:所述基于所述样本集训练神经网络模型,得到影像识别模型,根据所述异常集定时评估所述影像识别模型的步骤包括:
读取样本集中的医学影像,输入神经网络模型,更新特征库;
当所述特征库的容量达到预设的容量阈值时,得到影像识别模型;
读取异常集中的医学影像,输入影像识别模型,得到常规度;
根据所述常规度评估所述影像识别模型。
作为本发明进一步的方案:所述当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度,根据所述常规度对该医学影像进行编码的步骤包括:
当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度;所述常规度由所述医学影像与所述特征库的匹配数量确定;
根据所述常规度在预设的编码表中读取编码模型;
读取医学影像的病历信息和诊断信息,根据所述编码模型将所述病历信息和诊断信息转换为最终编码。
本发明技术方案还提供了一种医学成像质控的数据编码系统,所述系统包括:
第一聚类模块,用于读取医学影像及其对应的病历信息,根据所述病历信息对所述医学影像进行一级聚类;
第二聚类模块,用于读取医学影像的诊断信息,根据所述诊断信息对所述医学影像进行二级聚类;
影像比对模块,用于比对二级聚类后的同类医学影像,根据比对结果建立样本集与异常集;
模型生成评估模块,用于基于所述样本集训练神经网络模型,得到影像识别模型,根据所述异常集定时评估所述影像识别模型;所述影像识别模型的输出为常规度;所述常规度用于表征医学影像的正常概率;
编码执行模块,用于当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度,根据所述常规度对该医学影像进行编码。
作为本发明进一步的方案:所述第一聚类模块包括:
第一排序单元,用于读取医学影像及其病历信息,根据医学影像的生成时间对医学影像及其病历信息进行排序;
区域切分单元,用于基于预设的病历模板对所述病历信息进行区域切分,得到含有区域标签的子区域;所述区域标签用于表征子区域的内容类型;
文本识别单元,用于根据区域标签查询参考文本库,根据参考文本库对所述子区域进行文本识别,提取得到关键词组;所述关键词组的名称为区域标签;
第一执行单元,用于根据含有区域标签的关键词组对所述医学影像进行一级聚类。
作为本发明进一步的方案:所述第二聚类模块包括:
第二排序单元,用于读取一级聚类后的同类医学影像的诊断信息,根据诊断信息的长度对诊断信息进行排序;
基准选取单元,用于根据长度升序依次选取诊断信息,作为基准信息;
匹配度计算单元,用于计算所述基准信息与其他诊断信息的匹配度;所述匹配度为相同字与其他诊断信息的总字数之间的比值;
第二执行单元,用于根据所述匹配度对医学影像进行二级聚类。
作为本发明进一步的方案:所述影像比对模块包括:
网格切分单元,用于读取二级聚类后的同类医学影像,根据预设颗粒度的网格对医学影像进行切分;
矩阵生成单元,用于计算每个子网格的灰度均值,得到灰度矩阵;
特征值计算单元,用于将所述灰度矩阵输入预设的计算公式,得到特征值;
统计分析单元,用于获取特征值的众数,并计算各个特征值与所述众数之间的偏差率;
影像分集单元,用于根据所述偏差率选取医学影像,建立样本集与异常集。
与现有技术相比,本发明的有益效果是:本发明根据病历信息和诊断信息对医学影像进行两级分类,然后根据分类结果训练神经网络识别模型,得到可以识别医学影像并对医学影像进行分类的识别模型,当接收到新的医学影像时,根据识别模型即可对医学影像进行分类,根据分类结果读取对应的编码规则,执行编码动作;编码有序性强,效率极高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1为医学成像质控的数据编码方法的流程框图。
图2为医学成像质控的数据编码方法的第一子流程框图。
图3为医学成像质控的数据编码方法的第二子流程框图。
图4为医学成像质控的数据编码方法的第三子流程框图。
图5为医学成像质控的数据编码方法的第四子流程框图。
图6为医学成像质控的数据编码方法的第五子流程框图。
图7为医学成像质控的数据编码系统的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
图1为医学成像质控的数据编码方法的流程框图,本发明实施例中,一种医学成像质控的数据编码方法,所述方法包括:
步骤S100:读取医学影像及其对应的病历信息,根据所述病历信息对所述医学影像进行一级聚类;
在获取医学影像时,会与患者的病历相互绑定,由用户的病历信息可以对医学影像进行一级聚类。
步骤S200:读取医学影像的诊断信息,根据所述诊断信息对所述医学影像进行二级聚类;
医学影像是辅助医生制订医疗计划的一个参考,医生会根据医学影像做出诊断信息,医学影像是手段,诊断信息是目标;因此,根据所述诊断信息,可以在一级聚类的基础上,进行二级聚类。
步骤S300:比对二级聚类后的同类医学影像,根据比对结果建立样本集与异常集;
可以想到,病历信息和诊断信息均相似的医学影像,也应该是相似的,因此,在二级聚类后的医学影像中进行同类比对,可以清晰地判断出哪些是正常的医学影像(与大多数医学影像相同),哪些是异常的医学影像(与大多数医学影像不同);正常的医学影像用于建立样本集,异常的医学影像用于建立异常集。
步骤S400:基于所述样本集训练神经网络模型,得到影像识别模型,根据所述异常集定时评估所述影像识别模型;所述影像识别模型的输出为常规度;所述常规度用于表征医学影像的正常概率;
由样本集训练神经网络模型,可以得到一个用于识别医学影像的影像识别模型;读取异常集中的医学影像,根据异常集中的医学影像可以对影像识别模型进行评估,实时的检测影像识别模型的能力,此种自检测架构可以第一时间发现影像识别模型的错误,提高影像识别模型的鲁棒性。
步骤S500:当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度,根据所述常规度对该医学影像进行编码;
当接收到新的医学影像时,根据训练好的影像识别模型对接收到的医学影像进行识别,可以判断新的医学影像是否常规,根据判断生成的常规度,查询对应的编码规则,由查询到的编码规则对医学影像及其病历信息和诊断信息进行编码。
图2为医学成像质控的数据编码方法的第一子流程框图,所述读取医学影像及其对应的病历信息,根据所述病历信息对所述医学影像进行一级聚类的步骤包括:
步骤S101:读取医学影像及其病历信息,根据医学影像的生成时间对医学影像及其病历信息进行排序;
读取医学影像时,同步获取患者的病历信息;根据医学影像的生成时间对获取到的数据进行排序。
步骤S102:基于预设的病历模板对所述病历信息进行区域切分,得到含有区域标签的子区域;所述区域标签用于表征子区域的内容类型;
读取预设的病历模板,病历模板中设有对各个区域的进行描述的标签,比如“姓名:”这一标签后面的区域,对应的就是患者姓名。
步骤S103:根据区域标签查询参考文本库,根据参考文本库对所述子区域进行文本识别,提取得到关键词组;所述关键词组的名称为区域标签;
不同区域标签对应不同的参考文本库,因为不同区域的字体是不一样的,在医院中,有着属于自己的一套字体体系(非医护人员难以理解的字),因此,需要根据区域标签查询不同的参考文本库,由查询到的参考文本库对子区域进行文本识别,并对识别出的文本进行关键词提取,得到不同子区域的关键词组。
步骤S104:根据含有区域标签的关键词组对所述医学影像进行一级聚类;
比对所有区域标签对应的关键词组,计算两个医学影像的相似程度,当相似程度达到预设的条件时,将两个医学影像归为一类。
图3为医学成像质控的数据编码方法的第二子流程框图,所述读取医学影像的诊断信息,根据所述诊断信息对所述医学影像进行二级聚类的步骤包括:
步骤S201:读取一级聚类后的同类医学影像的诊断信息,根据诊断信息的长度对诊断信息进行排序;
在一级聚类的基础上,获取诊断信息,根据诊断信息的长度对诊断信息进行排序。
步骤S202:根据长度升序依次选取诊断信息,作为基准信息;
先选取长度最短的诊断信息,最后选取长度最高的诊断信息。
步骤S203:计算所述基准信息与其他诊断信息的匹配度;所述匹配度为相同字与其他诊断信息的总字数之间的比值;
比对所述基准信息与其他诊断信息,计算基准信息中在其他诊断信息的出现字数及出现字数在其他诊断信息中的占比,由于先从最短的诊断信息开始比对,占比越大,其他诊断信息与基准信息越相似,匹配度越高。
步骤S204:根据所述匹配度对医学影像进行二级聚类;
根据所述匹配度将相似的医学影像进行二级聚数。
图4为医学成像质控的数据编码方法的第三子流程框图,所述比对二级聚类后的同类医学影像,根据比对结果建立样本集与异常集的步骤包括:
步骤S301:读取二级聚类后的同类医学影像,根据预设颗粒度的网格对医学影像进行切分;
颗粒度用于表征网格中各个小网格的尺寸,根据网格可以对医学影像进行分区。
步骤S302:计算每个子网格的灰度均值,得到灰度矩阵;
医学影像一般是灰度图像,计算每个子网格中所有像素点的均值,再根据网格对均值进行统计,即可得到灰度矩阵。
步骤S303:将所述灰度矩阵输入预设的计算公式,得到特征值;
为了便于计算,借助预设的计算公式将所述灰度矩阵转换为单一的数值,也就是所述特征值。
步骤S304:获取特征值的众数,并计算各个特征值与所述众数之间的偏差率;
对特征值进行统计学分析,确定众数,与所述众数相差不大的特征值对应的医学影像就是正常的图像(多数图像是正常的),反之,即为异常的图像。
步骤S305:根据所述偏差率选取医学影像,建立样本集与异常集;
统计正常的图像,建立样本集,统计异常的图像,建立异常集。
图5为医学成像质控的数据编码方法的第四子流程框图,所述基于所述样本集训练神经网络模型,得到影像识别模型,根据所述异常集定时评估所述影像识别模型的步骤包括:
步骤S401:读取样本集中的医学影像,输入神经网络模型,更新特征库;
神经网络模型的功能是获取医学影像的特征,统计所有特征,得到特征库,当接收到新的医学影像时,依次读取特征库中的特征,对新的医学影像进行识别即可。
步骤S402:当所述特征库的容量达到预设的容量阈值时,得到影像识别模型;
当所述特征库中的特征足够多时,训练完成。
步骤S403:读取异常集中的医学影像,输入影像识别模型,得到常规度;
步骤S404:根据所述常规度评估所述影像识别模型。
读取异常集中的医学影像,输入影像识别模型,判断常规度,所述常规度代表了该医学影像与已有的常规的医学影像(训练集的医学影像)的相似程度。
图6为医学成像质控的数据编码方法的第五子流程框图,所述当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度,根据所述常规度对该医学影像进行编码的步骤包括:
步骤S501:当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度;所述常规度由所述医学影像与所述特征库的匹配数量确定;
当接收到新的医学影像时,借助训练得到的影像识别模型对医学影像进行识别,可以得到常规度,常规度反映了它与样本集中的医学影像的相似度。
步骤S502:根据所述常规度在预设的编码表中读取编码模型;
根据常规度在预设的编码表中读取编码模型,不同编码模型对应不同的编码规则。
步骤S503:读取医学影像的病历信息和诊断信息,根据所述编码模型将所述病历信息和诊断信息转换为最终编码;
读取医学影像、病历信息和诊断信息,根据所述编码模型执行编码过程,即可对同类型的医学影像进行统一的有序的编码;编码的结果是,病历信息和诊断信息相似的医学影像对应的编码存在映射关系,比如含有同一标签。
实施例2
图7为医学成像质控的数据编码系统的组成结构框图,本发明实施例中,一种医学成像质控的数据编码系统,所述系统10包括:
第一聚类模块11,用于读取医学影像及其对应的病历信息,根据所述病历信息对所述医学影像进行一级聚类;
第二聚类模块12,用于读取医学影像的诊断信息,根据所述诊断信息对所述医学影像进行二级聚类;
影像比对模块13,用于比对二级聚类后的同类医学影像,根据比对结果建立样本集与异常集;
模型生成评估模块14,用于基于所述样本集训练神经网络模型,得到影像识别模型,根据所述异常集定时评估所述影像识别模型;所述影像识别模型的输出为常规度;所述常规度用于表征医学影像的正常概率;
编码执行模块15,用于当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度,根据所述常规度对该医学影像进行编码。
所述第一聚类模块11包括:
第一排序单元,用于读取医学影像及其病历信息,根据医学影像的生成时间对医学影像及其病历信息进行排序;
区域切分单元,用于基于预设的病历模板对所述病历信息进行区域切分,得到含有区域标签的子区域;所述区域标签用于表征子区域的内容类型;
文本识别单元,用于根据区域标签查询参考文本库,根据参考文本库对所述子区域进行文本识别,提取得到关键词组;所述关键词组的名称为区域标签;
第一执行单元,用于根据含有区域标签的关键词组对所述医学影像进行一级聚类。
所述第二聚类模块12包括:
第二排序单元,用于读取一级聚类后的同类医学影像的诊断信息,根据诊断信息的长度对诊断信息进行排序;
基准选取单元,用于根据长度升序依次选取诊断信息,作为基准信息;
匹配度计算单元,用于计算所述基准信息与其他诊断信息的匹配度;所述匹配度为相同字与其他诊断信息的总字数之间的比值;
第二执行单元,用于根据所述匹配度对医学影像进行二级聚类。
所述影像比对模块13包括:
网格切分单元,用于读取二级聚类后的同类医学影像,根据预设颗粒度的网格对医学影像进行切分;
矩阵生成单元,用于计算每个子网格的灰度均值,得到灰度矩阵;
特征值计算单元,用于将所述灰度矩阵输入预设的计算公式,得到特征值;
统计分析单元,用于获取特征值的众数,并计算各个特征值与所述众数之间的偏差率;
影像分集单元,用于根据所述偏差率选取医学影像,建立样本集与异常集。
所述医学成像质控的数据编码方法所能实现的功能均由计算机设备完成,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现所述医学成像质控的数据编码方法的功能。
处理器从存储器中逐条取出指令、分析指令,然后根据指令要求完成相应操作,产生一系列控制命令,使计算机各部分自动、连续并协调动作,成为一个有机的整体,实现程序的输入、数据的输入以及运算并输出结果,这一过程中产生的算术运算或逻辑运算均由运算器完成;所述存储器包括只读存储器(Read-Only Memory,ROM),所述只读存储器用于存储计算机程序,所述存储器外部设有保护装置。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解,上述服务设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等;存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元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,本发明实现上述实施例系统中的全部或部分模块/单元,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个系统实施例的功能。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
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过程、方法、物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,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种医学成像质控的数据编码方法,其特征在于,所述方法包括:
读取医学影像及其对应的病历信息,根据所述病历信息对所述医学影像进行一级聚类;
读取医学影像的诊断信息,根据所述诊断信息对所述医学影像进行二级聚类;
比对二级聚类后的同类医学影像,根据比对结果建立样本集与异常集;
基于所述样本集训练神经网络模型,得到影像识别模型,根据所述异常集定时评估所述影像识别模型;所述影像识别模型的输出为常规度;所述常规度用于表征医学影像的正常概率;
当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度,根据所述常规度对该医学影像进行编码;
所述读取医学影像及其对应的病历信息,根据所述病历信息对所述医学影像进行一级聚类的步骤包括:
读取医学影像及其病历信息,根据医学影像的生成时间对医学影像及其病历信息进行排序;
基于预设的病历模板对所述病历信息进行区域切分,得到含有区域标签的子区域;所述区域标签用于表征子区域的内容类型;
根据区域标签查询参考文本库,根据参考文本库对所述子区域进行文本识别,提取得到关键词组;所述关键词组的名称为区域标签;
根据含有区域标签的关键词组对所述医学影像进行一级聚类;
所述读取医学影像的诊断信息,根据所述诊断信息对所述医学影像进行二级聚类的步骤包括:
读取一级聚类后的同类医学影像的诊断信息,根据诊断信息的长度对诊断信息进行排序;
根据长度升序依次选取诊断信息,作为基准信息;
计算所述基准信息与其他诊断信息的匹配度;所述匹配度为相同字与其他诊断信息的总字数之间的比值;
根据所述匹配度对医学影像进行二级聚类。
2.根据权利要求1所述的医学成像质控的数据编码方法,其特征在于,所述比对二级聚类后的同类医学影像,根据比对结果建立样本集与异常集的步骤包括:
读取二级聚类后的同类医学影像,根据预设颗粒度的网格对医学影像进行切分;
计算每个子网格的灰度均值,得到灰度矩阵;
将所述灰度矩阵输入预设的计算公式,得到特征值;
获取特征值的众数,并计算各个特征值与所述众数之间的偏差率;
根据所述偏差率选取医学影像,建立样本集与异常集。
3.根据权利要求1所述的医学成像质控的数据编码方法,其特征在于,所述基于所述样本集训练神经网络模型,得到影像识别模型,根据所述异常集定时评估所述影像识别模型的步骤包括:
读取样本集中的医学影像,输入神经网络模型,更新特征库;
当所述特征库的容量达到预设的容量阈值时,得到影像识别模型;
读取异常集中的医学影像,输入影像识别模型,得到常规度;
根据所述常规度评估所述影像识别模型。
4.根据权利要求3所述的医学成像质控的数据编码方法,其特征在于,所述当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度,根据所述常规度对该医学影像进行编码的步骤包括:
当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度;所述常规度由所述医学影像与所述特征库的匹配数量确定;
根据所述常规度在预设的编码表中读取编码模型;
读取医学影像的病历信息和诊断信息,根据所述编码模型将所述病历信息和诊断信息转换为最终编码。
5.一种医学成像质控的数据编码系统,其特征在于,所述系统包括:
第一聚类模块,用于读取医学影像及其对应的病历信息,根据所述病历信息对所述医学影像进行一级聚类;
第二聚类模块,用于读取医学影像的诊断信息,根据所述诊断信息对所述医学影像进行二级聚类;
影像比对模块,用于比对二级聚类后的同类医学影像,根据比对结果建立样本集与异常集;
模型生成评估模块,用于基于所述样本集训练神经网络模型,得到影像识别模型,根据所述异常集定时评估所述影像识别模型;所述影像识别模型的输出为常规度;所述常规度用于表征医学影像的正常概率;
编码执行模块,用于当接收到新的医学影像时,将所述医学影像输入所述影像识别模型,得到常规度,根据所述常规度对该医学影像进行编码;
所述第一聚类模块包括:
第一排序单元,用于读取医学影像及其病历信息,根据医学影像的生成时间对医学影像及其病历信息进行排序;
区域切分单元,用于基于预设的病历模板对所述病历信息进行区域切分,得到含有区域标签的子区域;所述区域标签用于表征子区域的内容类型;
文本识别单元,用于根据区域标签查询参考文本库,根据参考文本库对所述子区域进行文本识别,提取得到关键词组;所述关键词组的名称为区域标签;
第一执行单元,用于根据含有区域标签的关键词组对所述医学影像进行一级聚类;
所述第二聚类模块包括:
第二排序单元,用于读取一级聚类后的同类医学影像的诊断信息,根据诊断信息的长度对诊断信息进行排序;
基准选取单元,用于根据长度升序依次选取诊断信息,作为基准信息;
匹配度计算单元,用于计算所述基准信息与其他诊断信息的匹配度;所述匹配度为相同字与其他诊断信息的总字数之间的比值;
第二执行单元,用于根据所述匹配度对医学影像进行二级聚类。
6.根据权利要求5所述的医学成像质控的数据编码系统,其特征在于,所述影像比对模块包括:
网格切分单元,用于读取二级聚类后的同类医学影像,根据预设颗粒度的网格对医学影像进行切分;
矩阵生成单元,用于计算每个子网格的灰度均值,得到灰度矩阵;
特征值计算单元,用于将所述灰度矩阵输入预设的计算公式,得到特征值;
统计分析单元,用于获取特征值的众数,并计算各个特征值与所述众数之间的偏差率;
影像分集单元,用于根据所述偏差率选取医学影像,建立样本集与异常集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339945.5A CN116052848B (zh) | 2023-04-03 | 2023-04-03 | 一种医学成像质控的数据编码方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339945.5A CN116052848B (zh) | 2023-04-03 | 2023-04-03 | 一种医学成像质控的数据编码方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116052848A CN116052848A (zh) | 2023-05-02 |
CN116052848B true CN116052848B (zh) | 2023-06-09 |
Family
ID=86129851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310339945.5A Active CN116052848B (zh) | 2023-04-03 | 2023-04-03 | 一种医学成像质控的数据编码方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052848B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665138B (zh) * | 2023-08-01 | 2023-11-07 | 临朐弘泰汽车配件有限公司 | 一种汽车配件冲压加工视觉检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544711A (zh) * | 2013-11-08 | 2014-01-29 | 国家测绘地理信息局卫星测绘应用中心 | 遥感影像的自动配准方法 |
CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
CN114400074A (zh) * | 2022-01-15 | 2022-04-26 | 何永胜 | 一种放射科影像数据的储存方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006468B (zh) * | 2010-08-24 | 2012-11-14 | 吉林大学 | 立体元图像多等级混合预测编码结构 |
CN104835098A (zh) * | 2015-05-15 | 2015-08-12 | 上海翼依信息技术有限公司 | 一种病历电子数据识别方法及系统 |
CN106202955B (zh) * | 2016-07-19 | 2019-03-01 | 中电科软件信息服务有限公司 | 基于编码智能适配的诊断相关分组方法及系统 |
CN106951719A (zh) * | 2017-04-10 | 2017-07-14 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建系统、临床诊断系统 |
CN107133461B (zh) * | 2017-04-26 | 2021-11-12 | 中国人民解放军总医院 | 一种基于自编码器的医学图像处理装置与方法 |
CN110163820A (zh) * | 2019-05-07 | 2019-08-23 | 平顶山学院 | 一种医学图像调整方法及数字病理切片浏览系统 |
US11545255B2 (en) * | 2019-12-20 | 2023-01-03 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for classifying an anomaly medical image using variational autoencoder |
CN111223006A (zh) * | 2019-12-25 | 2020-06-02 | 国网冀北电力有限公司信息通信分公司 | 一种异常用电检测方法及装置 |
CN113780457B (zh) * | 2021-09-18 | 2024-05-14 | 平安医疗健康管理股份有限公司 | 中医资源消耗的异常检测方法、装置、设备及介质 |
-
2023
- 2023-04-03 CN CN202310339945.5A patent/CN116052848B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544711A (zh) * | 2013-11-08 | 2014-01-29 | 国家测绘地理信息局卫星测绘应用中心 | 遥感影像的自动配准方法 |
CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
CN114400074A (zh) * | 2022-01-15 | 2022-04-26 | 何永胜 | 一种放射科影像数据的储存方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于云服务的移动医疗健康应用构建;李嘉阳等;《数字经济》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116052848A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN111695439A (zh) | 图像结构化数据提取方法、电子装置及存储介质 | |
CN113065609B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN116052848B (zh) | 一种医学成像质控的数据编码方法及系统 | |
CN112036295A (zh) | 票据图像处理方法、装置、存储介质及电子设备 | |
CN113723288A (zh) | 基于多模态混合模型的业务数据处理方法及装置 | |
CN111862096A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN114913942A (zh) | 患者招募项目智能匹配方法及装置 | |
CN113837151A (zh) | 表格图像处理方法、装置、计算机设备及可读存储介质 | |
CN114462412A (zh) | 实体识别方法、装置、电子设备及存储介质 | |
CN110706121B (zh) | 确定医保欺诈结果的方法、装置、电子设备及存储介质 | |
CN110706200B (zh) | 数据预测的方法及装置 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN113255767B (zh) | 票据分类方法、装置、设备及存储介质 | |
CN113780365A (zh) | 样本生成方法和装置 | |
CN111401438B (zh) | 图像分拣方法、装置及系统 | |
CN111667457A (zh) | 一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质 | |
CN116629423A (zh) | 用户行为预测方法、装置、设备及存储介质 | |
US20230023636A1 (en) | Methods and systems for preparing unstructured data for statistical analysis using electronic characters | |
CN115359484A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112233194B (zh) | 医学图片优化方法、装置、设备及计算机可读存储介质 | |
CN114238296A (zh) | 产品指标数据展示方法、装置、设备及存储介质 | |
CN113807256A (zh) | 票据数据处理方法、装置、电子设备和存储介质 | |
CN114612246A (zh) | 对象集合识别方法、装置、计算机设备及存储介质 | |
CN116364248B (zh) | 基于玻片标签自动识别技术的病理图像自动上传匹配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |