本發(fā)明專利技術實施例提供一種基于神經網絡的影像質控評價方法、裝置、設備及介質，方法包括獲取預先制定的影像質控體系標準；采集歷史影像檢查數(shù)據(jù)；將歷史影像檢查數(shù)據(jù)中的醫(yī)學影像檢查項目轉換為標準醫(yī)學影像檢查項目；根據(jù)每條歷史影像檢查數(shù)據(jù)對應的標準醫(yī)學影像檢查項目，提取出標準醫(yī)學影像檢查項目與目標質控評價項目匹配的歷史影像檢查數(shù)據(jù)；根據(jù)所述質控語義描述框架，對匹配的所述歷史影像檢查數(shù)據(jù)進行質控標注；根據(jù)質控標注后的歷史影像檢查數(shù)據(jù)對預先建立的深度神經網絡模型進行訓練，以獲得人工智能醫(yī)學影像質控評價模型。本發(fā)明專利技術能大幅度提高醫(yī)學影像的質控效率。能大幅度提高醫(yī)學影像的質控效率。能大幅度提高醫(yī)學影像的質控效率。
【技術實現(xiàn)步驟摘要】
基于神經網絡的影像質控評價方法、裝置、設備、介質
[0001]本專利技術涉及人工智能領域，具體而言，涉及一種基于神經網絡的影像質控評價方法、裝置、設備、介質。
技術介紹
[0002]醫(yī)學影像是指為了醫(yī)療或醫(yī)學研究，對人體或人體某部分，以非侵入方式取得內部組織影像的技術與處理過程。醫(yī)學影像屬于生物影像，并包含影像診斷學、放射技術學、內視鏡、醫(yī)療用熱影像技術、醫(yī)學攝影和顯微鏡。
[0003]醫(yī)學影像的質量高低直接影響著醫(yī)務工作者對疾病的診斷與治療決策，醫(yī)療質量的同質化是檢查資料共享和檢查結果互認的基礎。然而，由于放射科質量控制與管理工作標準化程度不夠，質控標準同質化程度低，且設備廠商、軟件版本也不盡相同，導致影像的質量存在較大差異。
[0004]傳統(tǒng)的醫(yī)學影像質量控制方法僅僅依靠人工判別，缺乏客觀性，容易造成結果的差異，且人工判別的效率低，會很大程度上增加醫(yī)師、技師的工作量，嚴重阻礙了影像圖像質控工作的落實。
[0005]卷積神經網絡(Convolutional Neural Network,CNN)屬于機器學習技術，被廣泛應用計算機視覺與自然語言處理中的各項任務。CNN能夠利用卷積核從大量被標記的數(shù)據(jù)中提取豐富的具有代表性的視覺特征，再通過反向傳播算法不斷優(yōu)化模型參數(shù)，最終學習到輸入數(shù)據(jù)與標簽的映射關系，因此其是實現(xiàn)影像圖像智能質控的一種可行的方式。
[0006]然而由于目前的影像圖像數(shù)據(jù)存在命名雜亂，格式不一，評價標準各式各樣等問題，導致其難以直接應用到卷積神經網絡中，因此如何對影像圖像數(shù)據(jù)進行處理至關重要。
技術實現(xiàn)思路
[0007]有鑒于此，本專利技術的目的在于提供一種基于神經網絡的影像質控評價方法、裝置、設備、介質，以改善上述問題。
[0008]本專利技術實施例提供了一種基于神經網絡的影像質控評價方法，其包括：
[0009]獲取預先制定的影像質控體系標準；所述影像質控體系標準包括目標質控評價項目以及其對應的質控語義描述框架；
[0010]采集醫(yī)療機構的多條歷史影像檢查數(shù)據(jù)；所述歷史影像檢查數(shù)據(jù)至少包括醫(yī)學影像數(shù)據(jù)，所述醫(yī)學影像數(shù)據(jù)包括至少一個醫(yī)學影像檢查項目；
[0011]將歷史影像檢查數(shù)據(jù)中的醫(yī)學影像檢查項目映射成標準醫(yī)學影像檢查項目；
[0012]根據(jù)每條歷史影像檢查數(shù)據(jù)對應的標準醫(yī)學影像檢查項目，提取出標準醫(yī)學影像檢查項目與目標質控評價項目匹配的歷史影像檢查數(shù)據(jù)；
[0013]根據(jù)所述質控語義描述框架，對匹配的所述歷史影像檢查數(shù)據(jù)進行質控標注；
[0014]根據(jù)質控標注后的歷史影像檢查數(shù)據(jù)對預先建立的深度神經網絡模型進行訓練，以獲得人工智能醫(yī)學影像質控評價模型。
[0015]本專利技術實施例還提供了一種基于神經網絡的影像質控評價方法，其包括：
[0016]標準獲取單元，用于獲取預先制定的影像質控體系標準；所述影像質控體系標準包括目標質控評價項目以及其對應的質控語義描述框架；
[0017]歷史數(shù)據(jù)采集單元，用于采集醫(yī)療機構的多條歷史影像檢查數(shù)據(jù)；所述歷史影像檢查數(shù)據(jù)至少包括醫(yī)學影像數(shù)據(jù)，所述醫(yī)學影像數(shù)據(jù)包括至少一個醫(yī)學影像檢查項目；
[0018]轉換單元，用于將歷史影像檢查數(shù)據(jù)中的醫(yī)學影像檢查項目轉換為標準醫(yī)學影像檢查項目；
[0019]提取單元，用于根據(jù)每條歷史影像檢查數(shù)據(jù)對應的標準醫(yī)學影像檢查項目，提取出標準醫(yī)學影像檢查項目與目標質控評價項目匹配的歷史影像檢查數(shù)據(jù)；
[0020]標注單元，用于根據(jù)所述質控語義描述框架，對匹配的所述歷史影像檢查數(shù)據(jù)進行質控標注；
[0021]訓練單元，用于根據(jù)質控標注后的歷史影像檢查數(shù)據(jù)對預先建立的深度神經網絡模型進行訓練，以獲得人工智能醫(yī)學影像質控評價模型。
[0022]本專利技術實施例還提供了一種基于神經網絡的影像質控評價設備，其包括存儲器以及處理器，所述存儲器內存儲有計算機程序，所述計算機程序能夠被所述處理器執(zhí)行，以實現(xiàn)如上述的基于人工智能的醫(yī)學影像評價方法。
[0023]本專利技術實施例還提供了一種計算機可讀存儲介質，其存儲有計算機程序，所述計算機程序能夠被所述計算機可讀存儲介質所在設備的處理器執(zhí)行，以實現(xiàn)如上述的基于神經網絡的影像質控評價方法。
[0024]本專利技術借助人工智能手段實現(xiàn)海量醫(yī)學影像數(shù)據(jù)的智能評價，大幅度提高質控評價工作效率。基于此，為了實現(xiàn)人工智能，需要準備標準化訓練數(shù)據(jù)。而由于區(qū)域醫(yī)學影像數(shù)據(jù)尚未實現(xiàn)標準化存儲，因此需要在訓練模型前，對標準化數(shù)據(jù)進行標準化治理。本專利技術通過借助行業(yè)標準、醫(yī)學影像專家知識制定合理的標準質控體系以及標準醫(yī)學影像項目名稱體系，將歷史影像檢查數(shù)據(jù)映射成標準化醫(yī)學影像檢查數(shù)據(jù)；提高了海量龐雜的歷史影像檢查數(shù)據(jù)標準化治理的效率，為后續(xù)模型訓練掃清障礙。
附圖說明
[0025]為了更清楚地說明本專利技術實施例的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應當理解，以下附圖僅示出了本專利技術的某些實施例，因此不應被看作是對范圍的限定，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關的附圖。
[0026]圖1是本專利技術第一實施例提供的基于神經網絡的影像質控評價方法的流程示意圖。
[0027]圖2為本專利技術實施例提供的深度神經網絡模型的示意圖。
[0028]圖3為本專利技術實施例提供的深度神經網絡模型的工作原理圖。
[0029]圖4是本專利技術第二實施例提供的一種基于神經網絡的影像質控評價裝置的結構示意圖。
具體實施方式
[0030]下面將結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。
[0031]為了更好的理解本專利技術的技術方案，下面結合附圖對本專利技術實施例進行詳細描述。
[0032]應當明確，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本專利技術保護的范圍。
[0033]在本專利技術實施例中使用的術語是僅僅出于描述特定實施例的目的，而非旨在限制本專利技術。在本專利技術實施例和所附權利要求書中所使用的單數(shù)形式的“一種”、“所述”和“該”也旨在包括多數(shù)形式，除非上下文清楚地表示其他含義。
[0034]下面結合附圖與具體實施方式對本專利技術作進一步詳細描述：
[0035]請參閱圖1，本專利技術第一實施例提供了一種基于神經網絡的影像質控評價方法，其可由基于人工智能的醫(yī)學影像評價設備(以下簡稱評價設備)來執(zhí)行，特別的，由所述評價設備內的一個或者多個處理器來執(zhí)行，以至少實現(xiàn)如下步驟：
[0036]S101，獲取預先制定的影像質控體系標準；所述影像質控體系標準包括目標質控評價項目以及其對應的質本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種基于神經網絡的影像質控評價方法，其特征在于，包括：獲取預先制定的影像質控體系標準；所述影像質控體系標準包括目標質控評價項目以及其對應的質控語義描述框架；采集醫(yī)療機構的多條歷史影像檢查數(shù)據(jù)；所述歷史影像檢查數(shù)據(jù)至少包括醫(yī)學影像數(shù)據(jù)，所述醫(yī)學影像數(shù)據(jù)包括至少一個醫(yī)學影像檢查項目；將歷史影像檢查數(shù)據(jù)中差異性的醫(yī)學影像檢查項目映射成標準醫(yī)學影像檢查項目；根據(jù)每條歷史影像檢查數(shù)據(jù)對應的標準醫(yī)學影像檢查項目，提取出標準醫(yī)學影像檢查項目與目標質控評價項目匹配的歷史影像檢查數(shù)據(jù)；根據(jù)所述質控語義描述標準，對匹配的所述歷史影像檢查數(shù)據(jù)進行質控標注；根據(jù)質控標注后的歷史影像檢查數(shù)據(jù)對預先建立的深度神經網絡模型進行訓練，以獲得人工智能醫(yī)學影像質控評價模型。2.根據(jù)權利要求1所述的基于神經網絡的影像質控評價方法，其特征在于，所述影像質控體系標準的制定方法，包括：根據(jù)已知醫(yī)學影像質控標準、醫(yī)學影像專家知識、臨床應用數(shù)據(jù)，構建醫(yī)學影像檢查項目對應的語義描述框架。3.根據(jù)權利要求1所述的基于神經網絡的影像質控評價方法，其特征在于，所述采集醫(yī)療機構的多條歷史影像檢查數(shù)據(jù)，具體包括：采集醫(yī)療機構的歷史影像檢查數(shù)據(jù)，所述每條歷史影像檢查數(shù)據(jù)以患者單次檢查的申請單、檢查報告單及影像數(shù)據(jù)作為一條檢查數(shù)據(jù)的全量數(shù)據(jù)。4.根據(jù)權利要求1所述的基于神經網絡的影像質控評價方法，其特征在于，所述將歷史影像檢查數(shù)據(jù)中差異性的醫(yī)學影像檢查項目映射成標準醫(yī)學影像檢查項目，具體包括：獲取放射信息管理系統(tǒng)中的結構化檢查數(shù)據(jù)和影像檢查中醫(yī)學數(shù)字成像與通信標準中的影像解析數(shù)據(jù)，生成醫(yī)學影像檢查項目集；對所述醫(yī)學影像檢查項目集進行標準化處理，以獲得標準醫(yī)學影像檢查項目名稱集；提取歷史影像檢查數(shù)據(jù)中的項目信息字段；將歷史影像檢查數(shù)據(jù)中差異性的醫(yī)學影像檢查項目映射成標準醫(yī)學影像檢查項目。5.根據(jù)權利要求4所述的基于神經網絡的影像質控評價方法，其特征在于，所述將歷史影像檢查數(shù)據(jù)中差異性的醫(yī)學影像檢查項目映射成標準醫(yī)學影像檢查項目，具體包括：將歷史影像檢查數(shù)據(jù)中的目標項目信息字段與所述標準醫(yī)學影像檢查項目名稱集進行相似度計算，得到所述歷史影像檢查數(shù)據(jù)的目標項目信息字段對應的標準醫(yī)學影像檢查項目名稱。6.根據(jù)權利要求4所述的基于神經網絡的影像質控評價方法，其特征在于，所述獲取放射信息管理系統(tǒng)中的檢查數(shù)據(jù)和影像檢查中醫(yī)學數(shù)字成像與通信標準中的影像解析數(shù)據(jù)，生成醫(yī)學影像檢查項目集，具體包括：基于所述檢查數(shù)據(jù)，獲取檢查部位及檢查方法相關信息；基于所述影像解析數(shù)據(jù)，獲取所述影像的檢查部位及檢查方法相關信息；將所述檢查數(shù)據(jù)中檢查部位、檢查方法與所述影像解析數(shù)據(jù)中的檢查部位、檢查方法進行排列組合，生成檢查部位與檢查方法組合的醫(yī)學影像檢查項目集。7.根據(jù)權利要求4所述的基于神經網絡的影像質控評價方法...
【專利技術屬性】
技術研發(fā)人員：陳金華，白羽，韋鑫，徐輝，吳鵬，秦浩，廖驥，張劍，唐彪，徐皓勝，吳博涵，郭大靜，
申請(專利權)人：中電通商數(shù)字技術上海有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。