CN116665852A - 影像质控方法、装置、计算机设备和存储介质 - Google Patents
影像质控方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116665852A CN116665852A CN202310634689.2A CN202310634689A CN116665852A CN 116665852 A CN116665852 A CN 116665852A CN 202310634689 A CN202310634689 A CN 202310634689A CN 116665852 A CN116665852 A CN 116665852A
- Authority
- CN
- China
- Prior art keywords
- quality control
- target
- operation instruction
- text
- demand
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 286
- 238000012545 processing Methods 0.000 claims abstract description 93
- 238000004458 analytical method Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Facsimiles In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种影像质控方法、装置、计算机设备和存储介质。所述方法包括:获取输入的需求文本;对所述需求文本进行需求分析及指令生成处理,确定所述需求文本对应的目标操作指令;根据所述目标操作指令确定初始质控结果,并对所述初始质控结果进行质量控制处理,确定所述目标操作指令对应的质控结果。采用本方法能够在进行影像质量控制的过程中,降低交互过程的复杂度以节省交互时间。
Description
技术领域
本申请涉及医疗设备技术领域,特别是涉及一种影像质控方法、装置、计算机设备和存储介质。
背景技术
随着医学影像技术的不断发展,目前医学影像已广泛应用于各项检查中,为了通过医学影像更好地辅助检查,通常要保证拍摄的医学影像的质量。基于此,那么在获得拍摄的医学影像之后,对医学影像进行质量控制就显得很有必要。
相关技术中,在对拍摄的图像进行质量控制时,一般可以将图像输入至质量控制相关处理模块进行质量控制处理,获得图像的质量控制结果。通常,为了便于医生查看质量控制结果及与之关联的内容,一般需要医生在海量的质量控制结果中手动进行查找,同时将查找到的内容手动采用需要的展示方式进行处理后再展示出来。
然而,上述技术在进行影像质量控制的过程中,存在交互过程较为复杂耗时的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够在进行影像质量控制的过程中,降低交互过程的复杂度以节省交互时间的影像质控方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种影像质控方法,该方法包括:
获取输入的需求文本;
对上述需求文本进行需求分析及指令生成处理,确定上述需求文本对应的目标操作指令;
根据上述目标操作指令确定初始质控结果,并对初始质控结果进行质量控制处理,确定目标操作指令对应的质控结果。
在其中一个实施例中,上述对需求文本进行需求分析及指令生成处理,确定需求文本对应的目标操作指令,包括:
采用预设的语言模型对需求文本进行需求分析及指令生成处理,确定需求文本对应的目标操作指令。
在其中一个实施例中,上述采用预设的语言模型对需求文本进行需求分析及指令生成处理,确定需求文本对应的目标操作指令,包括:
采用语言模型对需求文本进行需求分析处理,确定需求文本对应的目标关键词;
根据预设的对应关系对目标关键词进行匹配处理,确定目标关键词对应的目标操作指令;上述预设的对应关系中包括关键词和关键词对应的操作指令。
在其中一个实施例中,上述采用语言模型对需求文本进行需求分析处理,确定需求文本对应的目标关键词,包括:
采用语言模型中的文本摘要算法提取需求文本中的要点内容;
采用语言模型中的命名实体识别算法识别要点内容中的各个实体;
采用语言模型中的关系抽取算法对各实体之间的关系进行识别,确定需求文本对应的目标关键词。
在其中一个实施例中,上述操作指令包括第一操作指令和第二操作指令,上述预设的对应关系包括第一对应关系和第二对应关系,上述根据预设的对应关系对目标关键词进行匹配处理,确定目标关键词对应的目标操作指令,包括:
将目标关键词在第一对应关系中进行匹配,确定目标关键词匹配的目标一类操作指令;上述第一对应关系中包括关键词和关键词对应的一类操作指令;
将目标关键词在第二对应关系中进行匹配,确定目标关键词匹配的目标二类操作指令;上述第二对应关系中包括关键词和关键词对应的二类操作指令;
将上述目标一类操作指令和目标二类操作指令作为上述目标操作指令。
在其中一个实施例中,上述根据目标操作指令确定初始质控结果,并对初始质控结果进行质量控制处理,确定目标操作指令对应的质控结果,包括:
根据目标一类操作指令在预设的数据库中进行检索,获得与目标一类操作指令匹配的初始质控结果;
根据目标二类操作指令对初始质控结果进行相应的质量控制处理,确定目标二类操作指令对应的质控结果。
在其中一个实施例中,上述质控结果包括以下至少一种:质控报告、质控分析图表、样例影像以及规范拍摄示例影像。
在其中一个实施例中,上述方法还包括:
将目标操作指令对应的质控结果和预设标识建立对应关系;上述预设标识用于指示用户通过预设标识调取到目标操作指令对应的质控结果。
第二方面,本申请还提供了一种影像质控装置,该装置包括:
需求获取模块,用于获取输入的需求文本;
分析及生成模块,用于对上述需求文本进行需求分析及指令生成处理,确定上述需求文本对应的目标操作指令;
质控模块,用于根据上述目标操作指令确定初始质控结果,并对初始质控结果进行质量控制处理,确定目标操作指令对应的质控结果。
第三方面,本申请还提供了一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行所述计算机程序时实现以下步骤:
获取输入的需求文本;
对上述需求文本进行需求分析及指令生成处理,确定上述需求文本对应的目标操作指令;
根据上述目标操作指令确定初始质控结果,并对初始质控结果进行质量控制处理,确定目标操作指令对应的质控结果。
第四方面,本申请还提供了一种计算机可读存储介质,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:
获取输入的需求文本;
对上述需求文本进行需求分析及指令生成处理,确定上述需求文本对应的目标操作指令;
根据上述目标操作指令确定初始质控结果,并对初始质控结果进行质量控制处理,确定目标操作指令对应的质控结果。
第五方面,本申请还提供了一种计算机程序产品,计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取输入的需求文本;
对上述需求文本进行需求分析及指令生成处理,确定上述需求文本对应的目标操作指令;
根据上述目标操作指令确定初始质控结果,并对初始质控结果进行质量控制处理,确定目标操作指令对应的质控结果。
上述影像质控方法、装置、计算机设备和存储介质,通过获取输入的需求文本并对需求文本进行需求分析以及指令生成处理,确定需求文本对应的目标操作指令,根据目标操作指令确定初始质控结果,并对初始质控结果进质量控制处理,确定目标操作指令对应的质控结果。该方法中,用户只需要输入简单的需求文本即可,之后设备可以基于该需求文本自动进行需求分析以及指令生成,并基于生成的目标操作指令对影像进行质控处理,获得目标操作指令对应的质控结果,即获得用户需要的质控结果,可见在该影像质控过程中对用户而言操作较为简单,即可以简化用户和设备之间的交互复杂度,因此也可以节省用户和设备的交互时间。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中影像质控方法的流程示意图;
图3为另一个实施例中影像质控方法的流程示意图;
图4为另一个实施例中影像质控方法的流程示意图;
图5为另一个实施例中影像质控方法的流程示意图;
图6为另一个实施例中影像质控方法的流程示意图;
图7为另一个实施例中影像质控方法的详细流程示意图;
图8为一个实施例中影像质控装置的结构框图。
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。
本申请实施例提供的影像质控方法,可以应用于计算机设备,该计算机设备可以服务器或终端,以终端为例,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、移动蜂窝网络、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影像质控方法。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。
在一个实施例中,如图2所示,提供了一种影像质控方法,以该方法应用于图1中的计算机设备为例进行说明,该方法可以包括以下步骤:
S202,获取输入的需求文本。
在本步骤中,需求文本可以是用户针对影像所需执行的质控操作的需求,该需求文本可以是以词语的形式表示,也可以是以语句的形式表示,或者还可以是以段落的形式表示,或者还可以是结合词语、语句、段落中的至少两种形式表示。这里的需求文本例如可以是需求提示词(prompt)、需求提示语句、需求提示段落等等。
这里用户针对影像所需执行的质控操作的需求,例如可以是查找某些影像、查找某些影像的质控结果、查找某个模态的影像、对查找的影像进行画图、对查找的影像或质控结果输出报告等等需求。
具体的,在搭载质控系统的计算机设备上可以为用户提供文本输入端口,例如可以在质控系统对应的显示界面上提供文本输入端口,用户通过该文本输入端口输入需求文本,这样计算机设备即可获得用户输入的需求文本。
另外,对于上述用户输入的需求文本,可以是用户一次性输入的需求,也可以是多次输入的需求,然后计算机设备可以自行进行组合或结合等获得需求文本。
S204,对上述需求文本进行需求分析及指令生成处理,确定上述需求文本对应的目标操作指令。
在本步骤中,在获得用户输入的需求文本之后,可以对该需求文本进行分析处理,分析处理的方式例如可以是对需求文本先进行切词处理,之后分析每个词语的语义,获得需求文本对应的分析结果;或者可以是采用文本模型等相关方式对需求文本进行分析处理,获得需求文本对应的分析结果;或者还可以时采用其他的分析方式,这里不作具体限定。
在获得需求文本对应的分析结果之后,可以直接通过对分析结果进行指令生成处理,将分析结果转化为操作指令,或者还可以结合需求文本一起进行指令生成处理,获得操作指令。
这里最终获得的操作指令可以记为目标操作指令,该目标操作指令中可以包括一类指令,也可以包括多类不同的指令,对于每类指令可以是包括一条指令,也可以是包括多条指令。这里多类不同的指令指的是功能不同的指令,例如可以包括查找指令、处理指令、参数或报告等生成指令、画图指令、质控指令等等。
S206,根据上述目标操作指令确定初始质控结果,并对初始质控结果进行质量控制处理,确定目标操作指令对应的质控结果。
在本步骤中,在上述获得目标操作指令之后,可以按照目标操作指令在存储设备中进行匹配获得与目标操作指令全部或部分匹配的影像以及影像的初始质控结果。其中存储设备中可以存储各个时刻拍摄的各个模态的影像,同时还可以存储质控系统对各个影像进行初步质控后获得的初始质控结果。这里质控系统对影像进行初步质控可以是按照不同的质控项对影像的质量进行量化评价或控制处理,获得影像的质量评价结果或质量控制结果等。
在获得影像的初始质控结果之后,可以继续按照目标操作指令对获得的影像及其初始质控结果进行相应的质控处理,获得最终的质控结果。这里对初始质控结果进行质控处理,例如可以是对初始质控结果中的影像进行参数或报告等生成处理、画图处理等,最终获得相应的处理结果,即为获得的质控结果;或者也可以结合影像及其初始质控结果以及这里的处理结果作为最终的质控结果。
这里一般最终获得的质控结果即为按照用户的需求文本对影像进行初始质控以及进一步质控处理的,因此最终获得的质控结果也是符合用户的需求的质控结果,从而可以满足用户需求,提升用户的使用体验。
上述影像质控方法中,通过获取输入的需求文本并对需求文本进行需求分析以及指令生成处理,确定需求文本对应的目标操作指令,根据目标操作指令确定初始质控结果,并对初始质控结果进质量控制处理,确定目标操作指令对应的质控结果。该方法中,用户只需要输入简单的需求文本即可,之后设备可以基于该需求文本自动进行需求分析以及指令生成,并基于生成的目标操作指令对影像进行质控处理,获得目标操作指令对应的质控结果,即获得用户需要的质控结果,可见在该影像质控过程中对用户而言操作较为简单,即可以简化用户和设备之间的交互复杂度,因此也可以节省用户和设备的交互时间。
对于上述实施例中最终获得的质控结果的具体内容,以下实施例继续进行说明。
在另一个实施例中,在上述实施例的基础上,上述质控结果包括以下至少一种:质控报告、质控分析图表、样例影像以及规范拍摄示例影像。
其中,质控报告指的是影像的质控报告,可以是目标操作指令中包括用户需要生成影像的质控报告的需求,然后基于该需求生成影像的质控报告作为质控结果。质控报告可以采用PDF、Word、Excel等形式表示。
质控分析图表指的是对影像质量进行质控处理后,采用图表的方式对质控结果进行分析并输出给用户,这里可以是目标操作指令中包括用户需要对影像的质控结果进行图表分析以及生成分析图表的需求,然后可以基于该需求对影像的质控结果进行图表分析并生成分析图表。质控分析图表也可以采用PDF、Word、Excel等形式表示。
样例影像可以是基于目标操作指令获得的与目标操作指令匹配的影像,该匹配的影像可以是示例性的影像,例如可以是单个影像,或者可以是特定时间段内的影像,或者可以是各个模态的影像,或者还可以是某一特定类型的影像等等。这里的样例影像可以是在目标操作指令中包括用户需要查看样例影像的需求,然后基于该需求获取到样例影像,并展示给用户。
规范拍摄示例影像指的按照规范操作进行拍摄所获得的影像,可以作为用户拍摄影像时的参考,这里规范拍摄示例影像可以是在目标操作指令中包括用户需要查看规范拍摄示例影像的需求,然后基于该需求获取到规范拍摄示例影像,并展示给用户。这里展示规范拍摄示例影像,可以辅助用户快速获知具体如何调整拍摄参数,以获得较高质量的影像。
当然,质控结果还可以根据用户需求包括其他形式的内容,这里不做穷举,仅提供几种情况做为示例。
本实施例中,上述获得的目标操作指令对应的质控结果中可以包括多种形式的结果,这样可以满足不同用户的需求,提升用户的使用体验,同时简化用户操作,提升用户和质控系统的交互效率。
上述实施例中提到了多种对需求文本进行分析以及指令生成的方式,以下实施例就对其中一种可能的实现方式进行说明。
在另一个实施例中,提供了另一种影像质控方法,在上述实施例的基础上,上述S204可以包括以下步骤:
步骤A,采用预设的语言模型对需求文本进行需求分析及指令生成处理,确定需求文本对应的目标操作指令。
其中,语言模型可以是自然语言模型,该语言模型可以对文本进行理解分析,同时可以对文本生成相应的目标操作指令。这里生成的目标操作指令可以是文本形式的操作指令。另外,该语言模型可以预先训练好,具体可以是采用多个训练文本及其对应的参考操作指令进行训练得到。
对于这里语言模型对需求文本进行分析以及指令生成处理,可以是语言模型中包括两个模块,两个模块分别执行不同的功能,比如语言分析模块和语言生成模块,其中语言分析模块可以对需求文本进行需求分析,语言生成模块可以生成操作指令。
对于上述采用语言模型具体分析以及生成操作指令的过程,作为可选的实施例,参见图3所示,上述步骤A可以包括以下步骤:
S302,采用语言模型对需求文本进行需求分析处理,确定需求文本对应的目标关键词。
在本步骤中,在获得用户输入的需求文本之后,可以将需求文本输入至语言模型中进行理解分析处理,获得需求文本的语义信息,进而在需求文本的基础上提炼出与需求文本关联的一个或多个目标关键词。
这里的目标关键词可以直接是需求文本中包括的词语,也可以是由需求文本中的词语进行语义分析后获得的关联的词语,或者还可以是其他情况的关键词,总之是可以表达清楚需求文本的语义信息的关键词即可。
S304,根据预设的对应关系对目标关键词进行匹配处理,确定目标关键词对应的目标操作指令;上述预设的对应关系中包括关键词和关键词对应的操作指令。
在本步骤中,可以预先获取多种医生在实际质控过程中可能会使用到的操作指令,然后统计出与这些操作指令关联的关键词,之后可以将关键词与对应的操作指令建立绑定关系,这样即可获得上述关键词和操作指令的对应关系。这里的对应关系也可以作为语言模型中的一部分,参与指令生成过程。
上述在获得需求文本对应的目标关键词之后,可以直接将目标关键词输入至预设的对应关系中进行匹配,在匹配出相应的关键词之后,即可通过对应关系获得该目标关键词对应的目标操作指令。当然,上述在获得目标关键词之后,如果关键词可能不是对应关系中的关键词类型,那么也可以先将获得的目标关键词转化至对应关系中的关键词类型下,然后再进行匹配等处理获得目标操作指令,这样可以满足多种场景下关键词操作指令的生成需求。
本实施例中,通过采用语言模型对需求文本进行需求分析以及指令生成处理,获得需求文本对应的目标操作指令,这样可以通过生成的目标操作指令快速获得满足用户需求的质控结果,提升影像质控的效率。进一步地,可以通过采用语言模型对需求文本进行分析处理获得目标关键词,并通过关键词和操作指令的对应关系确定目标关键词对应的目标操作指令,这样通过先生成关键词再通过对应关系获得操作指令的过程简单直观,可以有效获得需求文本对应的操作指令,进一步提升影像质控的效率和准确性。
以下实施例对采用语言模型对需求文本进行分析处理后获得需求文本对应的目标关键词的一种可能的实施方式进行说明。
另一个实施例中,提供了另一种影像质控方法,在上述实施例的基础上,如图4所示,上述S302可以包括以下步骤:
S402,采用语言模型中的文本摘要算法提取需求文本中的要点内容。
其中,文本摘要算法指的是通过各种技术,对文本或者是文本的集合,抽取、总结或是精炼其中的要点信息,用以概括和展示原始文本的主要内容或大意。也就是说,文本摘要算法指的是从信息源中抽取关键信息的算法,该关键信息可以是对信息源的内容进行总结后获得信息,或者可以是对信息源的中心内容进行概括后获得的信息,或者还可以是其他情况。
上述在获得需求文本之后,可以将该需求文本输入至语言模型的文本摘要算法中进行处理,通过文本摘要算法对需求文本的内容进行总结或者对需求文本的中心内容进行概括等方式,最终可以获得需求文本中的关键信息,这里记为要点内容。
这里通过采用文本摘要算法提取出需求文本中的要点内容,这样后续就不需要对需求文本全部进行处理,只需要对其中提炼出的较少的要点内容进行处理即可,这样可以有针对性进行后续处理,从而可以节省后续的处理时间以及处理的精度。
S404,采用语言模型中的命名实体识别算法识别要点内容中的各个实体。
在本步骤中,命名实体识别算法还可以称为“专名识别”算法,主要用于从非结构化的输入文本中抽取出命名实体。这里的命名实体一般指的是文本中的具有特定意义或者指代性强的实体,通常包括人名、地名、机构名、日期时间、专有名词等。
相应的,这里的命名实体识别算法具体就是要识别要点内容中的具有特定意义或者指代性强的实体。具体可以是在获得上述需求文本对应的要点内容之后,可以将要点内容输入至语言模型的命名实体识别算法中进行实体识别处理,通过命名实体识别算法识别出要点内容中的各个实体。这里识别出的实体例如可以是:摘要、时间区间、模态、条件等等。
S406,采用语言模型中的关系抽取算法对各实体之间的关系进行识别,确定需求文本对应的目标关键词。
在本步骤中,关系抽取算法主要就是从一段文本中抽取出(主体,关系,客体)这样的三元组,具体识别包括两个部分,一是实体识别任务,即识别文本中的主体和客体,二是判断这两个实体属于哪种关系,即对识别出的实体进行关系分类,例如属于先后执行顺序,从属关系等等。
上述在识别出要点内容中的各个实体之后,可以直接将各个实体输入至语言模型的关系抽取算法中进行关系识别处理,获得各个实体之间的关系。之后可以将确定关系的各个实体作为目标关键词,这样可以清楚获知目标关键词中各个实体的关系,后续就可以按照该关系准确生成相应的操作命令并准确执行操作命令。
对于本实施例中的文本摘要算法、命名实体识别算法以及关系抽取算法等均可以采用语言模型中的主干网络实现,该主干网络可以是transform网络、RNN卷积神经网络等。
本实施例中,通过采用语言模型的文本摘要算法提取需求文本中的要点内容,采用命名实体识别算法识别出要点内容中的各个实体以及采用关系抽取算法识别出各个实体之间的关系,最终获得目标关键词,这样通过多个算法获取需求文本中的各个实体及其关系,一方面使得可以有针对性进行后续处理,从而可以节省后续的处理时间以及处理的精度,另一方面可以清楚获知目标关键词中各个实体的关系,后续就可以按照该关系准确生成相应的操作命令并准确执行操作命令,提升影像质控的准确性。
上述实施例中说明了可以通过语言模型中的多个算法生成目标关键词,以下实施例就对预设的对应关系包括第一对应关系和第二对应关系,操作指令包括第一操作指令和第二操作指令时,在上述生成的关键词的基础上如何通过这两个对应关系生成关键词对应的两个操作指令的过程进行说明。
另一个实施例中,提供了另一种影像质控方法,在上述实施例的基础上,如图5所示,上述S304可以包括以下步骤:
S502,将目标关键词在第一对应关系中进行匹配,确定目标关键词匹配的目标一类操作指令;上述第一对应关系中包括关键词和关键词对应的一类操作指令。
在本步骤中,在上述S304中建立关键词和操作指令的对应关系时,可以根据操作指令的类型不同建立不同的对应关系,比如针对检索类型的操作指令可以建立关键词和检索类型操作指令的对应关系,针对生成对象类型的操作指令可以建立关键词和生成对象类型的操作指令的对应关系,再比如针对显示类型的操作指令可以建立关键词和显示类型的操作指令的对应关系等等。
基于此可知,上述第一对应关系和第二对应关系可以是针对两类不同类型的操作指令所设定的对应关系,比如第一对应关系在建立时可以是建立的关键词和一种类型的操作命令之间的绑定关系,第二对应关系在建立时可以是建立的关键词和另一种类型的操作命令之间的绑定关系。
在上述获得目标关键词之后,可以将目标关键词的全部或一部分输入至第一对应关系中进行匹配,在第一对应关系中找到匹配的关键词,进而获得该关键词在第一对应关系中对应的操作指令,记为目标一类操作指令。这里获得的目标一类操作指令以查找指令为例,例如可以是select*from dataset where condition group by people,中文释义为:从条件按人员分组的数据集中选择*;再例如可以是select*from dataset wherecondition limit 2,中文释义为:从条件限制为2的数据集中选择*。
S504,将目标关键词在第二对应关系中进行匹配,确定目标关键词匹配的目标二类操作指令;上述第二对应关系中包括关键词和关键词对应的二类操作指令。
在本步骤中,在上述获得目标关键词之后,也可以将目标关键词的全部或一部分输入至第二对应关系中进行匹配,在第二对应关系中找到匹配的关键词,进而获得该关键词在第二对应关系中对应的操作指令,记为目标二类操作指令。这里获得的目标二类操作指令以画图指令为例,例如可以是生成针对检索结果的python画图命令,并运行。
S506,将上述目标一类操作指令和目标二类操作指令作为上述目标操作指令。
在本步骤中,上述在获得目标关键词对应的目标一类操作指令和目标二类操作指令之后,可以将两类操作指令共同作为目标操作指令。需要说明的是,某些情况下在生成目标一类操作指令和目标二类操作指令时,可能会存在在对应关系中匹配不到操作指令的情况,那么在此情况下的目标一类操作指令或目标二类操作指令可以为空。
在出现目标一类操作指令或目标二类操作指令为空的情况时,质控系统可以给用户返回一些提示词,该提示词例如可以是:当前需求无匹配,请重新输入;或者该提示词也可以根据用户输入的需求文本,从中提取到新的关键词后重新进行组织所获得的提示语,用户可以从中进行选择。通过在此场景下给用户输出提示词的方式,可以辅助用户更好的完成对影像的质控过程。
本实施例中,通过将目标关键词在两类不同操作指令的对应关系中进行匹配以获得各自匹配的操作指令,然后获得目标操作指令,这样通过多类不同操作指令的对应关系进行目标关键词的匹配,使得可以准确快速地匹配到目标关键词对应的操作指令,提升操作指令匹配的效率和准确性。
上述实施例中通过两类不同操作指令的对应关系可以获得目标关键词对应的两类不同的操作指令,以下实施例就对依据该两类不同的操作指令具体实现影像的质控过程进行说明。
另一个实施例中,提供了另一种影像质控方法,在上述实施例的基础上,如图6所示,上述S206可以包括以下步骤:
S602,根据目标一类操作指令在预设的数据库中进行检索,获得与目标一类操作指令匹配的初始质控结果。
在本步骤中,预设的数据库可以是sql数据库、mysql数据库等等。该数据库中可以预先存储影像及其初始质控结果,同时还可以存储影像的其他相关信息,比如拍摄时间、保存时间、文件类型、文件大小等信息。
在上述获得目标一类操作指令之后,可以将该目标操作指令输入至数据库中进行检索,检索到与目标一类操作指令匹配的初始质控结果。这里的初始质控结果可以是一段时间内的影像及其初始质控结果,或者也可以是某一个时间点或时间段内的影像等等。
S604,根据目标二类操作指令对初始质控结果进行相应的质量控制处理,确定目标二类操作指令对应的质控结果。
在本步骤中,目标二类操作指令一般是针对初始质控结果所要继续执行的处理操作。在上述获得目标二类操作指令之后,可以按照目标二类操作指令对初始质控结果进行相应的处理操作,比如生成分析图表操作、画图操作、显示操作等等,最终可以获得对初始质控结果进行相应操作之后的质控结果。
本实施例中,通过根据目标一类操作指令在数据库中进行检测以获得匹配的初始质控结果,并采用目标二类操作指令对初始质控结果进行处理以获得最终的质控结果,这样通过不同类的操作指令获得初始质控结果并适应性进行后处理,使得可以满足不同用户的不同质控需求,提升用户的使用体验,同时方便用户更好的进行影像质控工作,提升影像质控效率。
以下实施例对上述在最终获得目标二类操作指令对应的质控结果之后,可以将该功能进行私有化处理即固化处理,以便后续直接调用的过程进行说明。
另一个实施例中,提供了另一种影像质控方法,在上述实施例的基础上,上述方法还可以包括以下步骤:
将目标操作指令对应的质控结果和预设标识建立对应关系;上述预设标识用于指示用户通过预设标识调取到目标操作指令对应的质控结果。
在本步骤中,上述在获得不同目标操作指令下的质控结果之后,可以将该目标操作指令及其最终的质控结果进行私有化处理或定制化处理,具体可以是将目标操作指令对应的最终的质控结果和预设标识建立对应关系,同时可以保存至医院私有模块中,方便后续进行相同的质控处理。
这里的预设标识例如可以是在质控系统的界面上显示的控件,通过点击该控件即可调取到相应的质控结果,这样后续就不需要医生再针对同样的操作指令再执行一次上述的影像质控方法的流程,而是通过点击该控件就可以直接获取到相应的质控结果,方便医生进行后续相同的质控处理,提升质控效率,同时可以节省计算资源。
本实施例中,通过将目标操作指令对应的质控结果和预设标识建立对应关系,这样可以便于医生通过预设标识直接获取到相应的质控结果,方便医生进行后续相同的质控处理,提升质控效率,同时可以节省计算资源。
为了便于对本申请实施例的技术方案进行详细的说明,以下给出一个具体实施例来继续说明影像质控方法,在上述实施例的基础上,参见图7所示,该方法可以包括以下步骤:
S1,获取输入的需求文本;
S2,采用语言模型对需求文本进行需求分析处理,确定需求文本对应的目标关键词;
S3,将目标关键词在第一对应关系中进行匹配,确定目标关键词匹配的目标一类操作指令;上述第一对应关系中包括关键词和关键词对应的一类操作指令;
S4,将目标关键词在第二对应关系中进行匹配,确定目标关键词匹配的目标二类操作指令;上述第二对应关系中包括关键词和关键词对应的二类操作指令;
S5,根据目标一类操作指令在预设的数据库中进行检索,获得与目标一类操作指令匹配的初始质控结果;
S6,根据目标二类操作指令对初始质控结果进行相应的质量控制处理,确定目标二类操作指令对应的质控结果;
S7,将目标操作指令对应的质控结果和预设标识建立对应关系。
以下给出几种示例来对上述方法进行说明:
示例一:医生输入的需求文本:可以帮我用直方图的形式输出去年3.9-9.9胸部CT每个技师拍摄有呼吸伪影的数量吗?
语言模型的需求分析结果:
摘要:技师维度画直方图
时间区间:2022.03.09-2023.09.09
模态:胸部CT
条件:有呼吸伪影
语言模型生成的目标一类操作指令:
检索命令:select*from dataset where condition group by people;
语言模型生成的目标二类操作指令:
生成针对检索结果的python画图命令,并运行;
质控结果输出:画图结果。
示例二:医生输入的需求文本:可以帮我找两个DR胸片拍摄范围不全的例子吗?
语言模型的需求分析结果:
摘要:举例
模态:DR胸片
条件:拍摄范围不全
语言模型生成的目标一类操作指令:
检索命令:select*from dataset where condition limit 2;
语言模型生成的目标二类操作指令:
生成展示命令,并运行;
质控结果输出:展示检索到的示例编号或影像。
示例三:当然医生还可以将需求文本替换为医学图像,质控系统自动解析图像质量如何,有哪些不足,需要怎么改进等。或者医生还可以同时输入医学图像和需求文本一块对当前的医学图像进行特定分析。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图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。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的影像质控方法的影像质控装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个影像质控装置实施例中的具体限定可以参见上文中对于影像质控方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种影像质控装置,包括:需求获取模块、分析及生成模块和质控模块,其中:
需求获取模块,用于获取输入的需求文本;
分析及生成模块,用于对上述需求文本进行需求分析及指令生成处理,确定上述需求文本对应的目标操作指令;
质控模块,用于根据上述目标操作指令确定初始质控结果,并对初始质控结果进行质量控制处理,确定目标操作指令对应的质控结果。
在另一个实施例中,提供了另一种影像质控装置,在上述实施例的基础上,上述分析及生成模块,可以包括:
分析及生成单元,用于采用预设的语言模型对需求文本进行需求分析及指令生成处理,确定需求文本对应的目标操作指令。
可选的,上述分析及生成单元,可以包括:
分析子单元,用于采用语言模型对需求文本进行需求分析处理,确定需求文本对应的目标关键词;
指令生成子单元,用于根据预设的对应关系对目标关键词进行匹配处理,确定目标关键词对应的目标操作指令;上述预设的对应关系中包括关键词和关键词对应的操作指令。
在另一个实施例中,提供了另一种影像质控装置,在上述实施例的基础上,上述分析子单元,具体用于采用语言模型中的文本摘要算法提取需求文本中的要点内容;采用语言模型中的命名实体识别算法识别要点内容中的各个实体;采用语言模型中的关系抽取算法对各实体之间的关系进行识别,确定需求文本对应的目标关键词。
在另一个实施例中,提供了另一种影像质控装置,在上述实施例的基础上,上述操作指令包括第一操作指令和第二操作指令,上述预设的对应关系包括第一对应关系和第二对应关系,上述指令生成子单元,具体用于将目标关键词在第一对应关系中进行匹配,确定目标关键词匹配的目标一类操作指令;上述第一对应关系中包括关键词和关键词对应的一类操作指令;将目标关键词在第二对应关系中进行匹配,确定目标关键词匹配的目标二类操作指令;上述第二对应关系中包括关键词和关键词对应的二类操作指令;将上述目标一类操作指令和目标二类操作指令作为上述目标操作指令。
在另一个实施例中,提供了另一种影像质控装置,在上述实施例的基础上,上述质控模块,可以包括:
检索单元,用于根据目标一类操作指令在预设的数据库中进行检索,获得与目标一类操作指令匹配的初始质控结果;
质控单元,用于根据目标二类操作指令对初始质控结果进行相应的质量控制处理,确定目标二类操作指令对应的质控结果。
在另一个实施例中,上述质控结果包括以下至少一种:质控报告、质控分析图表、样例影像以及规范拍摄示例影像。
在另一个实施例中,提供了另一种影像质控装置,在上述实施例的基础上,上述装置还可以包括:
对应关系建立模块,用于将目标操作指令对应的质控结果和预设标识建立对应关系;上述预设标识用于指示用户通过预设标识调取到目标操作指令对应的质控结果。
上述影像质控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:
获取输入的需求文本;对上述需求文本进行需求分析及指令生成处理,确定上述需求文本对应的目标操作指令;根据上述目标操作指令确定初始质控结果,并对初始质控结果进行质量控制处理,确定目标操作指令对应的质控结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用预设的语言模型对需求文本进行需求分析及指令生成处理,确定需求文本对应的目标操作指令。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用语言模型对需求文本进行需求分析处理,确定需求文本对应的目标关键词;根据预设的对应关系对目标关键词进行匹配处理,确定目标关键词对应的目标操作指令;上述预设的对应关系中包括关键词和关键词对应的操作指令。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用语言模型中的文本摘要算法提取需求文本中的要点内容;采用语言模型中的命名实体识别算法识别要点内容中的各个实体;采用语言模型中的关系抽取算法对各实体之间的关系进行识别,确定需求文本对应的目标关键词。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将目标关键词在第一对应关系中进行匹配,确定目标关键词匹配的目标一类操作指令;上述第一对应关系中包括关键词和关键词对应的一类操作指令;将目标关键词在第二对应关系中进行匹配,确定目标关键词匹配的目标二类操作指令;上述第二对应关系中包括关键词和关键词对应的二类操作指令;将上述目标一类操作指令和目标二类操作指令作为上述目标操作指令。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据目标一类操作指令在预设的数据库中进行检索,获得与目标一类操作指令匹配的初始质控结果;根据目标二类操作指令对初始质控结果进行相应的质量控制处理,确定目标二类操作指令对应的质控结果。
在一个实施例中,上述质控结果包括以下至少一种:质控报告、质控分析图表、样例影像以及规范拍摄示例影像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将目标操作指令对应的质控结果和预设标识建立对应关系;上述预设标识用于指示用户通过预设标识调取到目标操作指令对应的质控结果。
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:
获取输入的需求文本;对上述需求文本进行需求分析及指令生成处理,确定上述需求文本对应的目标操作指令;根据上述目标操作指令确定初始质控结果,并对初始质控结果进行质量控制处理,确定目标操作指令对应的质控结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用预设的语言模型对需求文本进行需求分析及指令生成处理,确定需求文本对应的目标操作指令。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用语言模型对需求文本进行需求分析处理,确定需求文本对应的目标关键词;根据预设的对应关系对目标关键词进行匹配处理,确定目标关键词对应的目标操作指令;上述预设的对应关系中包括关键词和关键词对应的操作指令。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用语言模型中的文本摘要算法提取需求文本中的要点内容;采用语言模型中的命名实体识别算法识别要点内容中的各个实体;采用语言模型中的关系抽取算法对各实体之间的关系进行识别,确定需求文本对应的目标关键词。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将目标关键词在第一对应关系中进行匹配,确定目标关键词匹配的目标一类操作指令;上述第一对应关系中包括关键词和关键词对应的一类操作指令;将目标关键词在第二对应关系中进行匹配,确定目标关键词匹配的目标二类操作指令;上述第二对应关系中包括关键词和关键词对应的二类操作指令;将上述目标一类操作指令和目标二类操作指令作为上述目标操作指令。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据目标一类操作指令在预设的数据库中进行检索,获得与目标一类操作指令匹配的初始质控结果;根据目标二类操作指令对初始质控结果进行相应的质量控制处理,确定目标二类操作指令对应的质控结果。
在一个实施例中,上述质控结果包括以下至少一种:质控报告、质控分析图表、样例影像以及规范拍摄示例影像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将目标操作指令对应的质控结果和预设标识建立对应关系;上述预设标识用于指示用户通过预设标识调取到目标操作指令对应的质控结果。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取输入的需求文本;对上述需求文本进行需求分析及指令生成处理,确定上述需求文本对应的目标操作指令;根据上述目标操作指令确定初始质控结果,并对初始质控结果进行质量控制处理,确定目标操作指令对应的质控结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用预设的语言模型对需求文本进行需求分析及指令生成处理,确定需求文本对应的目标操作指令。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用语言模型对需求文本进行需求分析处理,确定需求文本对应的目标关键词;根据预设的对应关系对目标关键词进行匹配处理,确定目标关键词对应的目标操作指令;上述预设的对应关系中包括关键词和关键词对应的操作指令。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用语言模型中的文本摘要算法提取需求文本中的要点内容;采用语言模型中的命名实体识别算法识别要点内容中的各个实体;采用语言模型中的关系抽取算法对各实体之间的关系进行识别,确定需求文本对应的目标关键词。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将目标关键词在第一对应关系中进行匹配,确定目标关键词匹配的目标一类操作指令;上述第一对应关系中包括关键词和关键词对应的一类操作指令;将目标关键词在第二对应关系中进行匹配,确定目标关键词匹配的目标二类操作指令;上述第二对应关系中包括关键词和关键词对应的二类操作指令;将上述目标一类操作指令和目标二类操作指令作为上述目标操作指令。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据目标一类操作指令在预设的数据库中进行检索,获得与目标一类操作指令匹配的初始质控结果;根据目标二类操作指令对初始质控结果进行相应的质量控制处理,确定目标二类操作指令对应的质控结果。
在一个实施例中,上述质控结果包括以下至少一种:质控报告、质控分析图表、样例影像以及规范拍摄示例影像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将目标操作指令对应的质控结果和预设标识建立对应关系;上述预设标识用于指示用户通过预设标识调取到目标操作指令对应的质控结果。
需要说明的是,本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经过各方充分授权的数据。
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、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-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。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等。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 RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种影像质控方法,其特征在于,所述方法包括:
获取输入的需求文本;
对所述需求文本进行需求分析及指令生成处理,确定所述需求文本对应的目标操作指令;
根据所述目标操作指令确定初始质控结果,并对所述初始质控结果进行质量控制处理,确定所述目标操作指令对应的质控结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述需求文本进行需求分析及指令生成处理,确定所述需求文本对应的目标操作指令,包括:
采用预设的语言模型对所述需求文本进行需求分析及指令生成处理,确定所述需求文本对应的目标操作指令。
3.根据权利要求2所述的方法,其特征在于,所述采用预设的语言模型对所述需求文本进行需求分析及指令生成处理,确定所述需求文本对应的目标操作指令,包括:
采用所述语言模型对所述需求文本进行需求分析处理,确定所述需求文本对应的目标关键词;
根据预设的对应关系对所述目标关键词进行匹配处理,确定所述目标关键词对应的目标操作指令;所述预设的对应关系中包括关键词和关键词对应的操作指令。
4.根据权利要求3所述的方法,其特征在于,所述采用所述语言模型对所述需求文本进行需求分析处理,确定所述需求文本对应的目标关键词,包括:
采用所述语言模型中的文本摘要算法提取所述需求文本中的要点内容;
采用所述语言模型中的命名实体识别算法识别所述要点内容中的各个实体;
采用所述语言模型中的关系抽取算法对各所述实体之间的关系进行识别,确定所述需求文本对应的目标关键词。
5.根据权利要求3所述的方法,其特征在于,所述操作指令包括第一操作指令和第二操作指令,所述预设的对应关系包括第一对应关系和第二对应关系,所述根据预设的对应关系对所述目标关键词进行匹配处理,确定所述目标关键词对应的目标操作指令,包括:
将所述目标关键词在所述第一对应关系中进行匹配,确定所述目标关键词匹配的目标一类操作指令;所述第一对应关系中包括关键词和关键词对应的一类操作指令;
将所述目标关键词在所述第二对应关系中进行匹配,确定所述目标关键词匹配的目标二类操作指令;所述第二对应关系中包括关键词和关键词对应的二类操作指令;
将所述目标一类操作指令和所述目标二类操作指令作为所述目标操作指令。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标操作指令确定初始质控结果,并对所述初始质控结果进行质量控制处理,确定所述目标操作指令对应的质控结果,包括:
根据所述目标一类操作指令在预设的数据库中进行检索,获得与所述目标一类操作指令匹配的初始质控结果;
根据所述目标二类操作指令对所述初始质控结果进行相应的质量控制处理,确定所述目标二类操作指令对应的质控结果。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
将所述目标操作指令对应的质控结果和预设标识建立对应关系;所述预设标识用于指示用户通过所述预设标识调取到所述目标操作指令对应的质控结果。
8.一种影像质控装置,其特征在于,所述装置包括:
需求获取模块,用于获取输入的需求文本;
分析及生成模块,用于对所述需求文本进行需求分析及指令生成处理,确定所述需求文本对应的目标操作指令;
质控模块,用于根据所述目标操作指令确定初始质控结果,并对所述初始质控结果进行质量控制处理,确定所述目标操作指令对应的质控结果。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310634689.2A CN116665852A (zh) | 2023-05-31 | 2023-05-31 | 影像质控方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310634689.2A CN116665852A (zh) | 2023-05-31 | 2023-05-31 | 影像质控方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116665852A true CN116665852A (zh) | 2023-08-29 |
Family
ID=87727342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310634689.2A Pending CN116665852A (zh) | 2023-05-31 | 2023-05-31 | 影像质控方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665852A (zh) |
-
2023
- 2023-05-31 CN CN202310634689.2A patent/CN116665852A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021184571A1 (zh) | 动态表单生成方法、装置、计算机设备和存储介质 | |
US10810735B2 (en) | Method and apparatus for analyzing medical image | |
US10037407B2 (en) | Structured finding objects for integration of third party applications in the image interpretation workflow | |
Alqahtani et al. | Breast cancer pathological image classification based on the multiscale CNN squeeze model | |
WO2021169101A1 (zh) | 医疗影像识别模型生成方法、装置、计算机设备和介质 | |
Sparks et al. | Out-of-sample extrapolation utilizing semi-supervised manifold learning (OSE-SSL): content based image retrieval for histopathology images | |
CN112530550A (zh) | 影像报告生成方法、装置、计算机设备和存储介质 | |
JP2019028793A (ja) | 情報処理装置、方法及びプログラム | |
CN115272250B (zh) | 确定病灶位置方法、装置、计算机设备和存储介质 | |
CN115831379A (zh) | 知识图谱补全方法、装置、存储介质及电子设备 | |
CN111199801B (zh) | 一种用于识别病历的疾病类型的模型的构建方法及应用 | |
CN114579523A (zh) | 双录文件质检方法、装置、计算机设备和存储介质 | |
Mussarat et al. | Content based image retrieval using combined features of shape, color and relevance feedback | |
CN117332766A (zh) | 流程图生成方法、装置、计算机设备和存储介质 | |
CN116910374A (zh) | 一种基于知识图谱的康养服务推荐方法、装置及存储介质 | |
CN116825269A (zh) | 体检报告的处理方法、装置、电子设备和可读存储介质 | |
CN116225956A (zh) | 自动化测试方法、装置、计算机设备和存储介质 | |
CN116665852A (zh) | 影像质控方法、装置、计算机设备和存储介质 | |
CN115827877A (zh) | 一种提案辅助并案的方法、装置、计算机设备和存储介质 | |
CN113903433B (zh) | 一种图像处理方法、装置和电子设备 | |
US10522246B2 (en) | Concepts for extracting lab data | |
Zhuang et al. | Pose prediction of textureless objects for robot bin picking with deep learning approach | |
US20230343126A1 (en) | Framework for document layout and information extraction | |
CN117909531A (zh) | 相似病灶影像检索方法和装置 | |
CN116564483A (zh) | 医学影像报告生成方法、装置、计算机设备 |
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 |