CN113270168B - 一种提高医学图像处理能力的方法及*** - Google Patents
一种提高医学图像处理能力的方法及*** Download PDFInfo
- Publication number
- CN113270168B CN113270168B CN202110547890.8A CN202110547890A CN113270168B CN 113270168 B CN113270168 B CN 113270168B CN 202110547890 A CN202110547890 A CN 202110547890A CN 113270168 B CN113270168 B CN 113270168B
- Authority
- CN
- China
- Prior art keywords
- information
- obtaining
- output result
- input data
- medical
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000001575 pathological effect Effects 0.000 claims abstract description 54
- 238000007639 printing Methods 0.000 claims abstract description 30
- 238000010339 medical test Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 91
- 230000007170 pathology Effects 0.000 claims description 55
- 238000003384 imaging method Methods 0.000 claims description 30
- 238000002372 labelling Methods 0.000 claims description 24
- 238000007477 logistic regression Methods 0.000 claims description 19
- 238000011161 development Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012549 training Methods 0.000 description 21
- 238000003745 diagnosis Methods 0.000 description 20
- 201000010099 disease Diseases 0.000 description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 16
- 230000018109 developmental process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 210000002784 stomach Anatomy 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000000936 intestine Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000025157 Oral disease Diseases 0.000 description 1
- 208000015634 Rectal Neoplasms Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000010882 bottom ash Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 238000002575 gastroscopy Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003871 intestinal function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 208000030194 mouth disease Diseases 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 206010038038 rectal cancer Diseases 0.000 description 1
- 201000001275 rectum cancer Diseases 0.000 description 1
- 230000004206 stomach function 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
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种提高医学图像处理能力的方法及***，通过获得第一病患信息；获得第一医学检测项目的第一检测仪器信息；获得第一参数信息和第二参数信息；获得第一输入数据信息；获得第一家族史信息以及第一历史病情信息；判断第一家族史信息中是否存在第二病情信息；如果存在，获得第二输入数据信息；分别获得第一病理图片信息和第二病理图片信息；获得第三输入数据信息；将第一输入数据信息、第二输入数据信息以及第三输入数据信息输入至图像处理模型中；根据图像处理模型，获得第一输出结果和第二输出结果；获得第一打印指令，将第一输出结果和第二输出结果进行打印输出，达到了提高对医学图像处理所得的医学数据的准确性的技术效果。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种提高医学图像处理能力的方法及***。
背景技术
在医疗领域中，为了识别被摄体的疾病并观察疾病的程度，通过各种摄像装置获取图像，并且由医学专业人员进行图像诊断。医学图像是指为了医疗或医学研究，对人体或人体某部分以非侵入方式取得的内部组织影像。在利用医学设备采集到医学图像之后，可以对医学图像中的特定细胞区域像素块在该医学图像的占比进行分析。
但本发明申请人发现现有技术至少存在如下技术问题：
在现有医学图像处理技术中，受到多种因素的制约，导致处理得到的医学图像质量不高，导致识别出的区域的准确度比较低，从而会对医生的诊断结果产生影响，增加漏诊和误诊的几率。
发明内容
本发明实施例提供了一种提高医学图像处理能力的方法及***，解决了现有技术中受到多种因素的制约，导致处理得到的医学图像质量不高，导致识别出的区域的准确度比较低，从而会对医生的诊断结果产生影响，增加漏诊和误诊的几率的技术问题，达到了提高对医学图像处理所得的医学数据的准确性，提供客观、稳定和精准的图像处理结果，有助于减轻医生负担，提高诊断效率和准确率的技术效果。
鉴于上述问题，提出了本申请实施例以便提供一种提高医学图像处理能力的方法及***。
第一方面，本发明提供了一种提高医学图像处理能力的方法，所述方法包括：获得第一病患信息；获得所述第一病患对于第一医学检测项目的第一检测仪器信息；根据所述第一检测仪器信息，获得第一参数信息和第二参数信息，其中，所述第一参数信息为第一检测精度、所述第二参数信息为第二探测器属性信息；根据所述第一参数信息、所述第二参数信息，获得第一输入数据信息；根据所述第一病患信息，获得第一家族史信息以及第一历史病情信息；判断所述第一家族史信息中是否存在第二病情信息，其中，所述第二病情信息的第二医学检测项目与所述第一医学检测项目之间具备第一关联性；如果存在所述存在第二病情信息，则根据所述第二病情信息、第一历史病情信息、第一病患信息，获得第二输入数据信息；根据所述第一医学检测项目、所述第二医学检测项目，分别获得第一病理图片信息和第二病理图片信息；根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息；将所述第一输入数据信息、所述第二输入数据信息以及所述第三输入数据信息输入至图像处理模型中；根据所述图像处理模型，获得第一输出结果和第二输出结果，其中，所述第一输出结果为所述第一病患的第一病理类型，所述第二输出结果为所述第一病理类型的第一发展阶段信息；获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出。
第二方面，本发明提供了一种提高医学图像处理能力的***，所述***包括：
第一获得单元，所述第一获得单元用于获得第一病患信息；
第二获得单元，所述第二获得单元用于获得所述第一病患对于第一医学检测项目的第一检测仪器信息；
第三获得单元，所述第三获得单元用于根据所述第一检测仪器信息，获得第一参数信息和第二参数信息，其中，所述第一参数信息为第一检测精度、所述第二参数信息为第二探测器属性信息；
第四获得单元，所述第四获得单元用于根据所述第一参数信息、所述第二参数信息，获得第一输入数据信息；
第五获得单元，所述第五获得单元用于根据所述第一病患信息，获得第一家族史信息以及第一历史病情信息；
第一判断单元，所述第一判断单元用于判断所述第一家族史信息中是否存在第二病情信息，其中，所述第二病情信息的第二医学检测项目与所述第一医学检测项目之间具备第一关联性；
第六获得单元，所述第六获得单元用于如果存在所述存在第二病情信息，则根据所述第二病情信息、第一历史病情信息、第一病患信息，获得第二输入数据信息；
第七获得单元，所述第七获得单元用于根据所述第一医学检测项目、所述第二医学检测项目，分别获得第一病理图片信息和第二病理图片信息；
第八获得单元，所述第八获得单元用于根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息；
第一输入单元，所述第一输入单元用于将所述第一输入数据信息、所述第二输入数据信息以及所述第三输入数据信息输入至图像处理模型中；
第九获得单元，所述第九获得单元用于根据所述图像处理模型，获得第一输出结果和第二输出结果，其中，所述第一输出结果为所述第一病患的第一病理类型，所述第二输出结果为所述第一病理类型的第一发展阶段信息；
第一操作单元，所述第一操作单元用于获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出。
第三方面，本发明提供了一种提高医学图像处理能力的***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述第一方面中任一项所述方法的步骤。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明实施例提供的一种提高医学图像处理能力的方法及***，通过获得第一病患信息；获得所述第一病患对于第一医学检测项目的第一检测仪器信息；根据所述第一检测仪器信息，获得第一参数信息和第二参数信息，其中，所述第一参数信息为第一检测精度、所述第二参数信息为第二探测器属性信息；根据所述第一参数信息、所述第二参数信息，获得第一输入数据信息；根据所述第一病患信息，获得第一家族史信息以及第一历史病情信息；判断所述第一家族史信息中是否存在第二病情信息，其中，所述第二病情信息的第二医学检测项目与所述第一医学检测项目之间具备第一关联性；如果存在所述存在第二病情信息，则根据所述第二病情信息、第一历史病情信息、第一病患信息，获得第二输入数据信息；根据所述第一医学检测项目、所述第二医学检测项目，分别获得第一病理图片信息和第二病理图片信息；根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息；将所述第一输入数据信息、所述第二输入数据信息以及所述第三输入数据信息输入至图像处理模型中；根据所述图像处理模型，获得第一输出结果和第二输出结果，其中，所述第一输出结果为所述第一病患的第一病理类型，所述第二输出结果为所述第一病理类型的第一发展阶段信息；获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出，从而解决了现有技术中受到多种因素的制约，导致处理得到的医学图像质量不高，导致识别出的区域的准确度比较低，从而会对医生的诊断结果产生影响，增加漏诊和误诊的几率的技术问题，达到了提高对医学图像处理所得的医学数据的准确性，提供客观、稳定和精准的图像处理结果，有助于减轻医生负担，提高诊断效率和准确率的技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例中一种提高医学图像处理能力的方法的流程示意图；
图2为本发明实施例中一种提高医学图像处理能力的***的结构示意图；
图3为本发明实施例中另一种示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第一判断单元16，第六获得单元17，第七获得单元18，第八获得单元19，第一输入单元20，第九获得单元21，第一操作单元22，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
本发明实施例提供了一种提高医学图像处理能力的方法及***，用于解决现有技术中受到多种因素的制约，导致处理得到的医学图像质量不高，导致识别出的区域的准确度比较低，从而会对医生的诊断结果产生影响，增加漏诊和误诊的几率的技术问题，达到了提高对医学图像处理所得的医学数据的准确性，提供客观、稳定和精准的图像处理结果，有助于减轻医生负担，提高诊断效率和准确率的技术效果。
下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
在医疗领域中，为了识别被摄体的疾病并观察疾病的程度，通过各种摄像装置获取图像，并且由医学专业人员进行图像诊断。医学图像是指为了医疗或医学研究，对人体或人体某部分以非侵入方式取得的内部组织影像。在利用医学设备采集到医学图像之后，可以对医学图像中的特定细胞区域像素块在该医学图像的占比进行分析。
针对上述技术问题，本发明提供的技术方案总体思路如下：
本申请实施例提供了一种提高医学图像处理能力的方法，所述方法包括：获得第一病患信息；获得所述第一病患对于第一医学检测项目的第一检测仪器信息；根据所述第一检测仪器信息，获得第一参数信息和第二参数信息，其中，所述第一参数信息为第一检测精度、所述第二参数信息为第二探测器属性信息；根据所述第一参数信息、所述第二参数信息，获得第一输入数据信息；根据所述第一病患信息，获得第一家族史信息以及第一历史病情信息；判断所述第一家族史信息中是否存在第二病情信息，其中，所述第二病情信息的第二医学检测项目与所述第一医学检测项目之间具备第一关联性；如果存在所述存在第二病情信息，则根据所述第二病情信息、第一历史病情信息、第一病患信息，获得第二输入数据信息；根据所述第一医学检测项目、所述第二医学检测项目，分别获得第一病理图片信息和第二病理图片信息；根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息；将所述第一输入数据信息、所述第二输入数据信息以及所述第三输入数据信息输入至图像处理模型中；根据所述图像处理模型，获得第一输出结果和第二输出结果，其中，所述第一输出结果为所述第一病患的第一病理类型，所述第二输出结果为所述第一病理类型的第一发展阶段信息；获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出。
在介绍了本申请基本原理后，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
实施例一
图1为本发明实施例中一种提高医学图像处理能力的方法的流程示意图。如图1所示，本发明实施例提供了一种提高医学图像处理能力的方法，所述方法包括：
步骤100：获得第一病患信息；
步骤200：获得所述第一病患对于第一医学检测项目的第一检测仪器信息；
具体而言，第一病患为前往医院进行检查的患者，第一病患信息中包括但不限于第一病患的年龄、身高、体重、性别等等，进而在得到第一病患的相关信息之后，可以相应的得到第一病患前往医院所检查的第一医学检测项目信息，例如患者肠胃不舒服，需要进行肠胃镜的检查以准确的获知病情，再比如患者头部出现病症，需要进行CT或者MRI检查来排查病情，进一步的，还可以获得患者所检查的第一医学检测项目的第一检测仪器信息，第一检测仪器即为用于检查第一医学检测项目的设备，并且第一检测仪器信息包括但不限于该仪器的出产厂家、使用年限、维修记录等等，例如，在眼科领域，当患者需要进眼部疾病检查时，可以通过不同种类的摄像装置包括眼底照相机、扫描激光检眼镜(SLO)、光学相干断层扫描(OCT)装置和OCT血管造影(OCTA)装置等等一系列设备进行检查。
步骤300：根据所述第一检测仪器信息，获得第一参数信息和第二参数信息，其中，所述第一参数信息为第一检测精度、所述第二参数信息为第二探测器属性信息；
步骤400：根据所述第一参数信息、所述第二参数信息，获得第一输入数据信息；
具体而言，在得到第一检测仪器之后，进一步还可获得第一参数信息和第二参数信息，本实施例中以第一参数信息为该仪器的检测精度、第二参数信息为探测器的属性信息作为优选，也就是说，在实际处理图像的过程中，图像的质量会受到多种因素的影响，不同的检测仪器所获取到的图像质量也存在差异，其中包括仪器的型号、参数、检测精度、探测器属性如探测器的制备材料以及材料性能等等。进一步的，可将第一参数信息、第二参数信息作为后续模型的输入信息，从而达到获取更精确的图像信息的目的。
步骤500：根据所述第一病患信息，获得第一家族史信息以及第一历史病情信息；
具体而言，根据第一病患的个人相关信息，还可获得第一病患的第一家族史信息以及第一历史病情信息，其中，家族史是指某一种病的患者的家族成员中发病情况，该家族成员为较大范围的家族成员，不仅限于祖孙等直系亲属。第一历史病情信息为该患者在过往一段时间内的相关病史情况，例如可以采集到该患者在过往三年、五年内的就诊情况等等，本实施例中对该该时间段不做具体限制。
步骤600：判断所述第一家族史信息中是否存在第二病情信息，其中，所述第二病情信息的第二医学检测项目与所述第一医学检测项目之间具备第一关联性；
步骤700：如果存在所述存在第二病情信息，则根据所述第二病情信息、第一历史病情信息、第一病患信息，获得第二输入数据信息；
具体而言，在得到第一家族史信息之后，即可从中判断是否存在第二病情信息，同时，第二病情的第二医学检测项目与第一医学检测项目之间具备第一关联性，也就是说，当患者就诊时，医生会根据患者的口述病症情况、以及初步的问诊检查情况为患者开具相应的检查单子，当患者的家族史中存在第二病情时，则需要进一步对患者进行第二病情的排查。因此，该患者需要采取第二医学检测项目进行第二病情的检查，进一步的，第二医学检测项目与第一医学检测项目在检测手段、病理分析、***位等方面具备一定的相似度，例如，第一患者胃不舒服，且在家族史中存在直肠癌亲属，则在对胃部功能进行胃镜检查时，还需要进行肠道功能的肠镜检测，以排查家族病史，并且可根据家族病史对患者的当前病症进行分析和诊断。进一步的，如果判断得到在第一家族史中存在第二病情信息，则进一步可将第二病情信息、第一历史病情信息、第一病患信息作为后续模型的输入信息，从而达到获取更精确的图像信息的目的。
步骤800：根据所述第一医学检测项目、所述第二医学检测项目，分别获得第一病理图片信息和第二病理图片信息；
步骤900：根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息；
进一步的，根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息，本申请实施例步骤900还包括：
步骤910：根据所述第一病理图片信息和第二病理图片信息，分别获得第一成像像素信息和第二成像像素信息；
步骤920：判断所述第一成像像素信息和第二成像像素信息是否满足第一预定条件；
步骤930：当所述第一成像像素信息，和/或，所述第二成像像素信息不满足所述第一预定条件时，则获得第一处理指令；
步骤940：根据所述第一处理指令，对所述第一病理图片信息和第二病理图片信息进行处理之后，获得第一目标区域信息和第二目标区域信息；
步骤950：将所述第一目标区域信息和第二目标区域信息作为所述第三输入数据信息。
具体而言，根据患者的第一医学检测项目和第二医学检测项目，经过检查之后即可获得第一病理图片信息和第二病理图片信息，从而可以得到第一患者待处理的医学图像，然后将第一病理图片信息和第二病理图片信息作为第三输入数据信息，可以输入至图像处理模型之中，以达到获得更准确的图像分析结果的技术效果。在得到第三输入数据时，具体的方法如下：首先，可以获得第一病理图片信息的第一成像像素信息、第二病理图片信息的第二成像像素信息，然后，需要判断第一成像像素信息和第二成像像素信息是否满足第一预定条件，也就是分别判断第一成像像素信息、第二成像像素信息的图像质量、图像清晰度、灰度、噪点等信息是否能够满足进行图像处理的需求，如果判断得到第一成像像素信息，和/或，第二成像像素信息不满足第一预定条件时，则需要生成第一处理指令，然后按照第一处理指令，对第一病理图片信息和第二病理图片信息进行相应的处理，例如对成像参数、清晰度、噪声、干扰、伪影等进行处理之后，即可得到第一目标区域信息和第二目标区域信息，此时的第一目标区域为第一病理图片中的感兴趣区域，第二目标区域为第二病理图片中的感兴趣区域，最后将第一目标区域信息和第二目标区域信息作为第三输入数据信息即可，从而能够减少模型训练的复杂程度，提高模型训练的时间和效率，进一步提高图像处理结果的精确性。
步骤1000：将所述第一输入数据信息、所述第二输入数据信息以及所述第三输入数据信息输入至图像处理模型中；
步骤1100：根据所述图像处理模型，获得第一输出结果和第二输出结果，其中，所述第一输出结果为所述第一病患的第一病理类型，所述第二输出结果为所述第一病理类型的第一发展阶段信息；
进一步的，为了准确的获得第一输出结果和第二输出结果，本申请实施例步骤1000还包括：
步骤1010：将所述第一输入数据信息、所述第二输入数据信息以及所述第三输入数据信息输入图像处理模型中，所述模型通过多组训练数据训练获得，所述多组训练数据中的每组均包括：所述第一输入数据信息、所述第二输入数据信息以及所述第三输入数据信息、标识第一输出结果的第一标识信息和标识第二输出结果的第二标识信息；
步骤1020：获得所述图像处理模型的输出信息，其中，所述输出信息包括第一输出结果和第二输出结果，其中，所述第一输出结果为所述第一病患的第一病理类型，所述第二输出结果为所述第一病理类型的第一发展阶段信息。
具体而言，在得到第一输入数据信息、第二输入数据信息以及第三输入数据信息之后，接着可将第一输入数据信息、所述第二输入数据信息以及第三输入数据信息输入图像处理模型，通过图像处理模型的输出结果，能够得到第一病患的第一病理类型，该第一病理类型即为该患者的确诊病情信息，第二输出结果为第一病理类型的第一发展阶段信息，第一发展阶段信息为第一患者的确诊病情的当前病情严重程度，对于疾病而言，人的疾病是一个不断发展的动态过程，具有一定的时间序列特点，因此，通过模型的第二输出结果，对于不同疾病划分出不同的发展阶段，从而能够得到第一患者的第一病情的发展情况。
进一步的，训练模型为机器学习模型中的神经网络模型，机器学习模型能通过大量数据不断的学习，进而不断地修正模型，最终获得满意的经验来处理其他数据。机器模型通过多组训练数据训练获得，神经网络模型通过训练数据训练的过程本质上为监督学习的过程。本申请实施例中的训练模型是通过多组训练数据利用机器学习训练得出的，多组中的训练数据中的每一组训练数据均包括：第一输入数据信息、第二输入数据信息以及第三输入数据信息、标识第一输出结果的第一标识信息和标识第二输出结果的第二标识信息。
其中，将第一输出结果的第一标识信息和第二输出结果的第二标识信息分别作为监督数据。输入每一组训练数据中，对第一输入数据信息、第二输入数据信息以及第三输入数据信息进行监督学习，确定训练模型的输出信息达到收敛状态。通过第一输出结果的第一标识信息和第二输出结果的第二标识信息与训练模型的输出结果进行对比，当一致时，本组数据监督学习完成，进行下一组数据监督学习；当不一致时，则训练模型进行自我修正，直至其输出结果与标识的第一输出结果的第一标识信息和标识第二输出结果的第二标识信息一致，本组监督学习完成，进行下一组数据监督学习；通过大量数据的监督学习，使得机器学习模型的输出结果达到收敛状态，则监督学习完成。通过对训练模型进行监督学习的过程，使得训练模型输出的第一输出结果和第二输出结果更加准确，达到了便于后续对患者进行更精确的治疗，从而提高对医学图像处理所得的医学数据的准确性，提供客观、稳定和精准的图像处理结果，有助于减轻医生负担，提高诊断效率和准确率的技术效果。
步骤1200：获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出。
具体而言，在得到第一输出结果和第二输出结果之后，即可生成第一打印指令，然后在第一打印指令的指令下，将第一输出结果和第二输出结果进行打印输出给病患即可。
进一步的，为了达到对第一病理图片信息的可靠性、可使用性、准确性进行判断的目的，本申请实施例步骤800还包括：
步骤810：获得所述第一病患的第一检查状态信息；
步骤820：根据所述第一检查状态信息，获得第一配合度，其中，所述第一配合度为所述第一检查状态信息与所述第一医学检测项目之间的匹配度；
步骤830：判断所述第一配合度是否满足第一预定配合度；
步骤840：如果不满足，则获得第二处理指令；
步骤850：根据所述第二处理指令，对所述第一病理图片信息进行报废处理。
具体而言，在得到第一病理图片之后，还需要对该图片能否使用，也就是能否代表患者的实际病情状态进行具体的分析判断，具体的方法为：首先，需要得到第一病患的第一检查状态信息，第一检查状态信息即为患者进行第一医学项目检测时的个人行为状态信息，然后根据患者的检查状态，能够得到病患的第一配合度，此时的第一配合度即为第一检查状态信息与第一医学检测项目之间的匹配度，然后需要判断第一配合度是否满足第一预定配合度，也就是病患当前的行为状态是否能够满足进行第一医学检测项目，有的检查如MRI需要患者保持静止，不可有任何移动，如果患者在检查过程中出现任何不配合的行为举止，则此时拍摄得到的图片质量是不满足要求的，再比如对于很多检查而言，儿童的配合度远远低于成人。因此，如果判断得到第一配合度不满足第一预定配合度时，说明第一病理图片不满足检查需要，接着需要生成第二处理指令，然后在第二处理指令的指令下，对第一病理图片信息进行报废处理，从而达到获得更准确的图像信息，为后续图片处理结果的精确度提供可靠的依据的技术效果。同样的，也可依据上述方法对第二病理图片进行判断分析，为了说明书的简洁，在此不再赘述。
进一步的，所述获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出之前，本申请实施例步骤1200还包括：
步骤1210：获得所述第一打印机的第三参数信息；
步骤1220：根据所述第一参数信息、第二参数信息和第三参数信息，获得所述第一打印机与所述第一检测仪器的第二匹配度；
步骤1230：根据所述第一医学检测项目，设定第二预定配合度；
步骤1240：判断所述第二匹配度是否满足所述第二预定配合度；
步骤1250：如果不满足，则获得第三处理指令；
步骤1260：根据所述第三处理指令，对所述第三参数信息进行调整处理。
具体而言，获得第一打印机的第三参数信息，第三参数信息即为打印病理图片的仪器的相关设定参数，例如型号、纸张大小、黑度、墨粉量、底灰等等，然后根据第一参数信息、第二参数信息和第三参数信息，能够得到第一打印机与第一检测仪器的第二匹配度，然后根据第一医学检测项目可以进第二预定配合度的设定，接着判断第二匹配度是否满足第二预定配合度，也就是判断打印机与检查仪器之间的匹配度是否满足第一医学检测项目对于图像质量的需求，如果不满足，则说明打印机无法满足第一医学检测项目对于图像质量的需求，则需要生成第三处理指令，然后根据第三处理指令，对第一打印机的第三参数信息进行调整处理即可，从而使得打印图像的质量得到保障，进一步提高图像处理结果的准确度。
进一步的，为了达到获得更准确的图像质量，提高图像处理能力的目的，本申请实施例步骤200还包括：
步骤210：获得所述第一病患的所述第一医学检测项目的第一检测医师；
步骤220：获得所述第一检测医师的第一水平信息；
步骤230：获得所述第一检测医师对于所述第一检测仪器的第一熟练度；
步骤240：判断所述第一熟练度、第一水平信息是否满足预定需求；
步骤250：如不满足，则获得第一调派指令；
步骤260：根据所述第一调派指令，调派满足所述预定需求的检测医师。
具体而言，获得第一病患的在第一医学检测项目的第一检测医师信息，进而还可得到该第一检测医师的第一水平信息，第一水平信息可通过第一检测医师的就职情况、工作过程中的表现情况、学历信息等方面进行综合评价获取得到，然后还可获得第一检测医师对于第一检测仪器的第一熟练度，第一熟练度即为该检测医师对于操作仪器的能力等级，然后将第一熟练度、第一水平信息进行整合之后，判断第一熟练度、第一水平信息是否满足预定需求，也就是判断该医师是否达到进行第一医学项目检测所需要的个人操作能力，如果不满足，则说明该检测医师不能够对第一病患进行第一医学检测项目的检测，则接着需要生成第一调派指令，然后第一调派指令为第一病患调派满足预定需求的检测医师，从而保证了检测所得到的图片质量，为后续进行图像处理提供依据，进一步提高图像分析结果的准确性。
进一步的，所述根据所述图像处理模型，获得第一输出结果和第二输出结果之后，本申请实施例步骤1100还包括：
步骤1110：当所述第一病患不具备所述第一病理类型时，获得预定区域信息库；
步骤1120：将所述第一病理图片信息作为横坐标；
步骤1130：将所述预定区域信息库作为纵坐标构建二维直角坐标系；
步骤1140：根据逻辑回归模型在所述二维直角坐标系构建逻辑回归线，获得第一病情预警模型，其中，所述逻辑回归线的一侧代表第三输出结果，所述逻辑回归线的另一侧代表第四输出结果，所述第三输出结果为所述第一病患具备第二病理的预警特征，所述第四输出结果为所述第一病患不具备所述第二病理的预警特征。
具体而言，当分析得到该患者不具备第一病理类型时，说明该患者的检测结果正常，并不存在相关病症，接着，可获得预定区域信息库，预定区域信息库即为预先设定的相关感兴趣的病灶区域的集合，接着可将第一病理图片信息作为横坐标，将预定区域信息库作为纵坐标构建二维直角坐标系，根据逻辑回归模型在所述二维直角坐标系构建逻辑回归线，获得第一病情预警模型，其中，逻辑回归线的一侧代表第三输出结果，逻辑回归线的另一侧代表第四输出结果，此时的第三输出结果为第一病患具备第二病理的预警特征，第四输出结果为第一病患不具备第二病理的预警特征，也就是说，通过该逻辑回归模型能够对该病患进行疾病的预判，进一步的，逻辑回归模型为反映了自变量和因变量之间的关系的机器学习的模型，通过逻辑回归线对病患的疾病进行预警，更好的反映了预定区域信息库和第一病理图片信息的关系，通过预定区域信息库和第一病理图片信息，对病患的患病几率进行预警，进而可提醒用户进行预防。
进一步的，为了获得图像处理模型，本申请实施例步骤1000还包括：
步骤1030：获得所述第一医学检测项目的第一影像领域信息；
步骤1040：根据所述第一影像领域信息，获得第一标准标注信息，其中，所述第一标准标注信息包括第一标注队伍信息、第一标注方式信息；
步骤1050：获得第一图像数据库，其中，所述第一图像数据库具备第一可追溯信息；
步骤1060：根据所述第一标准标注信息，对所述第一图像数据库进行处理之后，构建所述图像处理模型。
具体而言，在构建图像处理模型时，首先，需要获得第一医学检测项目的第一影像领域信息，也就是第一医学检测项目所属的影像领域信息，例如MRI、CT、X射线等等，进而根据第一影像领域信息，可以得到第一标准标注信息，该第一标准标注信息包括但不限于第一标注队伍信息、第一标注方式信息，其中，第一标注队伍即为对图像进行标注的医生群体，也就是为构建模型提供可靠的标注者队伍，保障标注者资质最大化的实现统一，第一标注方式信息可以为模型构建提供统一的标注标准，例如统一图像征象认识、统一图像标注方法、统一图像分割方法等等；进一步的，还可获得第一图像数据库，第一图像数据库为经过多方进行数据安全可靠的采集之后所得到的图像集合，并且在该第一图像数据库中包括多个图像，且每个图像均具备第一可追溯信息，从而保证了数据来源的合规性和可靠性，进而采用第一标准标注信息，对第一图像数据库中的多个图像进行处理之后，构建得到图像处理模型，从而达到保障模型效果的安全性、公正性，为模型构建提供检测标准和评价体系，进一步提高了模型的实用性，提高图像处理能力，推动医学影像智能诊断的发展。
实施例二
基于与前述实施例中一种提高医学图像处理能力的方法同样的发明构思，本发明还提供一种提高医学图像处理能力的方法***，如图2所示，所述***包括：
第一获得单元11，所述第一获得单元11用于获得第一病患信息；
第二获得单元12，所述第二获得单元12用于获得所述第一病患对于第一医学检测项目的第一检测仪器信息；
第三获得单元13，所述第三获得单元13用于根据所述第一检测仪器信息，获得第一参数信息和第二参数信息，其中，所述第一参数信息为第一检测精度、所述第二参数信息为第二探测器属性信息；
第四获得单元14，所述第四获得单元14用于根据所述第一参数信息、所述第二参数信息，获得第一输入数据信息；
第五获得单元15，所述第五获得单元15用于根据所述第一病患信息，获得第一家族史信息以及第一历史病情信息；
第一判断单元16，所述第一判断单元16用于判断所述第一家族史信息中是否存在第二病情信息，其中，所述第二病情信息的第二医学检测项目与所述第一医学检测项目之间具备第一关联性；
第六获得单元17，所述第六获得单元17用于如果存在所述存在第二病情信息，则根据所述第二病情信息、第一历史病情信息、第一病患信息，获得第二输入数据信息；
第七获得单元18，所述第七获得单元18用于根据所述第一医学检测项目、所述第二医学检测项目，分别获得第一病理图片信息和第二病理图片信息；
第八获得单元19，所述第八获得单元19用于根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息；
第一输入单元20，所述第一输入单元20用于将所述第一输入数据信息、所述第二输入数据信息以及所述第三输入数据信息输入至图像处理模型中；
第九获得单元21，所述第九获得单元21用于根据所述图像处理模型，获得第一输出结果和第二输出结果，其中，所述第一输出结果为所述第一病患的第一病理类型，所述第二输出结果为所述第一病理类型的第一发展阶段信息；
第一操作单元22，所述第一操作单元22用于获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出。
进一步的，所述根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息，所述***还包括：
第十获得单元，所述第十获得单元用于根据所述第一病理图片信息和第二病理图片信息，分别获得第一成像像素信息和第二成像像素信息；
第二判断单元，所述第二判断单元用于判断所述第一成像像素信息和第二成像像素信息是否满足第一预定条件；
第十一获得单元，所述第十一获得单元用于当所述第一成像像素信息，和/或，所述第二成像像素信息不满足所述第一预定条件时，则获得第一处理指令；
第十二获得单元，所述第十二获得单元用于根据所述第一处理指令，对所述第一病理图片信息和第二病理图片信息进行处理之后，获得第一目标区域信息和第二目标区域信息；
第一执行单元，所述第一执行单元用于将所述第一目标区域信息和第二目标区域信息作为所述第三输入数据信息。
进一步的，所述***还包括：
第十三获得单元，所述第十三获得单元用于获得所述第一病患的第一检查状态信息；
第十四获得单元，所述第十四获得单元用于根据所述第一检查状态信息，获得第一配合度，其中，所述第一配合度为所述第一检查状态信息与所述第一医学检测项目之间的匹配度；
第三判断单元，所述第三判断单元用于判断所述第一配合度是否满足第一预定配合度；
第十五获得单元，所述第十五获得单元用于如果不满足，则获得第二处理指令；
第二执行单元，所述第二执行单元用于根据所述第二处理指令，对所述第一病理图片信息进行报废处理。
进一步的，所述获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出之前，所述***还包括：
第十六获得单元，所述第十六获得单元用于获得所述第一打印机的第三参数信息；
第十七获得单元，所述第十七获得单元用于根据所述第一参数信息、第二参数信息和第三参数信息，获得所述第一打印机与所述第一检测仪器的第二匹配度；
第一设定单元，所述第一设定单元用于根据所述第一医学检测项目，设定第二预定配合度；
第四判断单元，所述第四判断单元用于判断所述第二匹配度是否满足所述第二预定配合度；
第十八获得单元，所述第十八获得单元用于如果不满足，则获得第三处理指令；
第三执行单元，所述第三执行单元用于根据所述第三处理指令，对所述第三参数信息进行调整处理。
进一步的，所述***还包括：
第十九获得单元，所述第十九获得单元用于获得所述第一病患的所述第一医学检测项目的第一检测医师；
第二十获得单元，所述第二十获得单元用于获得所述第一检测医师的第一水平信息；
第二十一获得单元，所述第二十一获得单元用于获得所述第一检测医师对于所述第一检测仪器的第一熟练度；
第五判断单元，所述第五判断单元用于判断所述第一熟练度、第一水平信息是否满足预定需求；
第二十二获得单元，所述第二十二获得单元用于如不满足，则获得第一调派指令；
第四执行单元，所述第四执行单元用于根据所述第一调派指令，调派满足所述预定需求的检测医师。
进一步的，所述根据所述图像处理模型，获得第一输出结果和第二输出结果之后，所述***还包括：
第二十三获得单元，所述第二十三获得单元用于当所述第一病患不具备所述第一病理类型时，获得预定区域信息库；
第五执行单元，所述第五执行单元用于将所述第一病理图片信息作为横坐标；
第六执行单元，所述第六执行单元用将所述预定区域信息库作为纵坐标构建二维直角坐标系；
第二十四获得单元，所述第二十四获得单元用于根据逻辑回归模型在所述二维直角坐标系构建逻辑回归线，获得第一病情预警模型，其中，所述逻辑回归线的一侧代表第三输出结果，所述逻辑回归线的另一侧代表第四输出结果，所述第三输出结果为所述第一病患具备第二病理的预警特征，所述第四输出结果为所述第一病患不具备所述第二病理的预警特征。
进一步的，所述***还包括：
第二十五获得单元，所述第二十五获得单元用获得所述第一医学检测项目的第一影像领域信息；
第二十六获得单元，所述第二十六获得单元用根据所述第一影像领域信息，获得第一标准标注信息，其中，所述第一标准标注信息包括第一标注队伍信息、第一标注方式信息；
第二十七获得单元，所述第二十七获得单元用获得第一图像数据库，其中，所述第一图像数据库具备第一可追溯信息；
第一构建单元，所述第一构建单元用根据所述第一标准标注信息，对所述第一图像数据库进行处理之后，构建所述图像处理模型。
前述图1实施例一中的一种提高医学图像处理能力的方法的各种变化方式和具体实例同样适用于本实施例的一种提高医学图像处理能力的***，通过前述对一种提高医学图像处理能力的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种提高医学图像处理能力的***的实施方法，所以为了说明书的简洁，在此不再详述。
实施例三
基于与前述实施例中一种提高医学图像处理能力的方法同样的发明构思，本发明还提供一种示例性电子设备，如图3所示，包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序，所述处理器302执行所述程序时实现前文所述一种提高医学图像处理能力的方法的任一方法的步骤。
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明实施例提供的一种提高医学图像处理能力的方法及***，通过获得第一病患信息；获得所述第一病患对于第一医学检测项目的第一检测仪器信息；根据所述第一检测仪器信息，获得第一参数信息和第二参数信息，其中，所述第一参数信息为第一检测精度、所述第二参数信息为第二探测器属性信息；根据所述第一参数信息、所述第二参数信息，获得第一输入数据信息；根据所述第一病患信息，获得第一家族史信息以及第一历史病情信息；判断所述第一家族史信息中是否存在第二病情信息，其中，所述第二病情信息的第二医学检测项目与所述第一医学检测项目之间具备第一关联性；如果存在所述存在第二病情信息，则根据所述第二病情信息、第一历史病情信息、第一病患信息，获得第二输入数据信息；根据所述第一医学检测项目、所述第二医学检测项目，分别获得第一病理图片信息和第二病理图片信息；根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息；将所述第一输入数据信息、所述第二输入数据信息以及所述第三输入数据信息输入至图像处理模型中；根据所述图像处理模型，获得第一输出结果和第二输出结果，其中，所述第一输出结果为所述第一病患的第一病理类型，所述第二输出结果为所述第一病理类型的第一发展阶段信息；获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出，从而解决了现有技术中受到多种因素的制约，导致处理得到的医学图像质量不高，导致识别出的区域的准确度比较低，从而会对医生的诊断结果产生影响，增加漏诊和误诊的几率的技术问题，达到了提高对医学图像处理所得的医学数据的准确性，提供客观、稳定和精准的图像处理结果，有助于减轻医生负担，提高诊断效率和准确率的技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种提高医学图像处理能力的方法，其中，所述方法包括：
获得第一病患信息；
获得所述第一病患对于第一医学检测项目的第一检测仪器信息；
根据所述第一检测仪器信息，获得第一参数信息和第二参数信息，其中，所述第一参数信息为第一检测精度、所述第二参数信息为第二探测器属性信息；
根据所述第一参数信息、所述第二参数信息，获得第一输入数据信息；
根据所述第一病患信息，获得第一家族史信息以及第一历史病情信息；
判断所述第一家族史信息中是否存在第二病情信息，其中，所述第二病情信息的第二医学检测项目与所述第一医学检测项目之间具备第一关联性；
如果存在所述存在第二病情信息，则根据所述第二病情信息、第一历史病情信息、第一病患信息，获得第二输入数据信息；
根据所述第一医学检测项目、所述第二医学检测项目，分别获得第一病理图片信息和第二病理图片信息；
根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息；
将所述第一输入数据信息、所述第二输入数据信息以及所述第三输入数据信息输入至图像处理模型中；
根据所述图像处理模型，获得第一输出结果和第二输出结果，其中，所述第一输出结果为所述第一病患的第一病理类型，所述第二输出结果为所述第一病理类型的第一发展阶段信息；
获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出。
2.如权利要求1所述的方法，其中，所述根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息，所述方法还包括：
根据所述第一病理图片信息和第二病理图片信息，分别获得第一成像像素信息和第二成像像素信息；
判断所述第一成像像素信息和第二成像像素信息是否满足第一预定条件；
当所述第一成像像素信息，和/或，所述第二成像像素信息不满足所述第一预定条件时，则获得第一处理指令；
根据所述第一处理指令，对所述第一病理图片信息和第二病理图片信息进行处理之后，获得第一目标区域信息和第二目标区域信息；
将所述第一目标区域信息和第二目标区域信息作为所述第三输入数据信息。
3.如权利要求1所述的方法，其中，所述方法还包括：
获得所述第一病患的第一检查状态信息；
根据所述第一检查状态信息，获得第一配合度，其中，所述第一配合度为所述第一检查状态信息与所述第一医学检测项目之间的匹配度；
判断所述第一配合度是否满足第一预定配合度；
如果不满足，则获得第二处理指令；
根据所述第二处理指令，对所述第一病理图片信息进行报废处理。
4.如权利要求1所述的方法，其中，所述获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出之前，所述方法还包括：
获得所述第一打印机的第三参数信息；
根据所述第一参数信息、第二参数信息和第三参数信息，获得第一打印机与所述第一检测仪器的第二匹配度；
根据所述第一医学检测项目，设定第二预定配合度；
判断所述第二匹配度是否满足所述第二预定配合度；
如果不满足，则获得第三处理指令；
根据所述第三处理指令，对所述第三参数信息进行调整处理。
5.如权利要求1所述的方法，其中，所述方法还包括：
获得所述第一病患的所述第一医学检测项目的第一检测医师；
获得所述第一检测医师的第一水平信息；
获得所述第一检测医师对于所述第一检测仪器的第一熟练度；
判断所述第一熟练度、第一水平信息是否满足预定需求；
如不满足，则获得第一调派指令；
根据所述第一调派指令，调派满足所述预定需求的检测医师。
6.如权利要求2所述的方法，其中，所述根据所述图像处理模型，获得第一输出结果和第二输出结果之后，所述方法还包括：
当所述第一病患不具备所述第一病理类型时，获得预定区域信息库；
将所述第一病理图片信息作为横坐标；
将所述预定区域信息库作为纵坐标构建二维直角坐标系；
根据逻辑回归模型在所述二维直角坐标系构建逻辑回归线，获得第一病情预警模型，其中，所述逻辑回归线的一侧代表第三输出结果，所述逻辑回归线的另一侧代表第四输出结果，所述第三输出结果为所述第一病患具备第二病理的预警特征，所述第四输出结果为所述第一病患不具备所述第二病理的预警特征。
7.如权利要求1所述的方法，其中，所述方法还包括：
获得所述第一医学检测项目的第一影像领域信息；
根据所述第一影像领域信息，获得第一标准标注信息，其中，所述第一标准标注信息包括第一标注队伍信息、第一标注方式信息；
获得第一图像数据库，其中，所述第一图像数据库具备第一可追溯信息；
根据所述第一标准标注信息，对所述第一图像数据库进行处理之后，构建所述图像处理模型。
8.一种提高医学图像处理能力的***，其中，所述***包括：
第一获得单元，所述第一获得单元用于获得第一病患信息；
第二获得单元，所述第二获得单元用于获得所述第一病患对于第一医学检测项目的第一检测仪器信息；
第三获得单元，所述第三获得单元用于根据所述第一检测仪器信息，获得第一参数信息和第二参数信息，其中，所述第一参数信息为第一检测精度、所述第二参数信息为第二探测器属性信息；
第四获得单元，所述第四获得单元用于根据所述第一参数信息、所述第二参数信息，获得第一输入数据信息；
第五获得单元，所述第五获得单元用于根据所述第一病患信息，获得第一家族史信息以及第一历史病情信息；
第一判断单元，所述第一判断单元用于判断所述第一家族史信息中是否存在第二病情信息，其中，所述第二病情信息的第二医学检测项目与所述第一医学检测项目之间具备第一关联性；
第六获得单元，所述第六获得单元用于如果存在所述存在第二病情信息，则根据所述第二病情信息、第一历史病情信息、第一病患信息，获得第二输入数据信息；
第七获得单元，所述第七获得单元用于根据所述第一医学检测项目、所述第二医学检测项目，分别获得第一病理图片信息和第二病理图片信息；
第八获得单元，所述第八获得单元用于根据所述第一病理图片信息和第二病理图片信息，获得第三输入数据信息；
第一输入单元，所述第一输入单元用于将所述第一输入数据信息、所述第二输入数据信息以及所述第三输入数据信息输入至图像处理模型中；
第九获得单元，所述第九获得单元用于根据所述图像处理模型，获得第一输出结果和第二输出结果，其中，所述第一输出结果为所述第一病患的第一病理类型，所述第二输出结果为所述第一病理类型的第一发展阶段信息；
第一操作单元，所述第一操作单元用于获得第一打印指令，并根据所述第一打印指令，将所述第一输出结果和第二输出结果进行打印输出。
9.一种提高医学图像处理能力的***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110547890.8A CN113270168B (zh) | 2021-05-19 | 2021-05-19 | 一种提高医学图像处理能力的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110547890.8A CN113270168B (zh) | 2021-05-19 | 2021-05-19 | 一种提高医学图像处理能力的方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113270168A CN113270168A (zh) | 2021-08-17 |
| CN113270168B true CN113270168B (zh) | 2024-01-02 |
Family
ID=77231890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110547890.8A Active CN113270168B (zh) | 2021-05-19 | 2021-05-19 | 一种提高医学图像处理能力的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113270168B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115831300B (zh) * | 2022-09-29 | 2023-12-29 | 广州金域医学检验中心有限公司 | 一种基于患者信息的检测方法、装置、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106725607A (zh) * | 2017-02-17 | 2017-05-31 | 深圳华声医疗技术股份有限公司 | 超声多普勒参数优化方法与超声多普勒装置 |
| CN107680670A (zh) * | 2017-10-25 | 2018-02-09 | 华中科技大学同济医学院附属协和医院 | 一种无地域限制的医学图像辨识与诊断***及方法 |
| KR101943011B1 (ko) * | 2018-01-22 | 2019-01-28 | 주식회사 뷰노 | 피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치 |
| CN110335665A (zh) * | 2019-04-01 | 2019-10-15 | 佛山原子医疗设备有限公司 | 一种应用于医学图像辅助诊断分析的以图搜图方法及*** |
| CN110379492A (zh) * | 2019-07-24 | 2019-10-25 | 复旦大学附属中山医院青浦分院 | 一种全新的ai+pacs***及其检查报告构建方法 |
| CN112581385A (zh) * | 2020-11-30 | 2021-03-30 | 南方医科大学 | 基于多先验约束扩散峰度成像张量估计方法、介质和设备 |
| CN112734746A (zh) * | 2021-01-21 | 2021-04-30 | 常德海 | 一种基于图像识别的骨科伤病谱匹配***及方法 |
| 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***、方法及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9842188B2 (en) * | 2002-10-29 | 2017-12-12 | Practice Velocity, LLC | Method and system for automated medical records processing with cloud computing |
| US11705226B2 (en) * | 2019-09-19 | 2023-07-18 | Tempus Labs, Inc. | Data based cancer research and treatment systems and methods |
-
2021
- 2021-05-19 CN CN202110547890.8A patent/CN113270168B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106725607A (zh) * | 2017-02-17 | 2017-05-31 | 深圳华声医疗技术股份有限公司 | 超声多普勒参数优化方法与超声多普勒装置 |
| CN107680670A (zh) * | 2017-10-25 | 2018-02-09 | 华中科技大学同济医学院附属协和医院 | 一种无地域限制的医学图像辨识与诊断***及方法 |
| KR101943011B1 (ko) * | 2018-01-22 | 2019-01-28 | 주식회사 뷰노 | 피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치 |
| CN110335665A (zh) * | 2019-04-01 | 2019-10-15 | 佛山原子医疗设备有限公司 | 一种应用于医学图像辅助诊断分析的以图搜图方法及*** |
| CN110379492A (zh) * | 2019-07-24 | 2019-10-25 | 复旦大学附属中山医院青浦分院 | 一种全新的ai+pacs***及其检查报告构建方法 |
| CN112581385A (zh) * | 2020-11-30 | 2021-03-30 | 南方医科大学 | 基于多先验约束扩散峰度成像张量估计方法、介质和设备 |
| CN112734746A (zh) * | 2021-01-21 | 2021-04-30 | 常德海 | 一种基于图像识别的骨科伤病谱匹配***及方法 |
| 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***、方法及设备 |
Non-Patent Citations (1)
| Title |
|---|
| PET-CT的质量控制和质量管理;杨军;吴建伟;艾书月;黄伟;;医疗卫生装备(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113270168A (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102243830B1 (ko) | 통합 의료 진단 서비스 제공 시스템 및 그 방법 | |
| CN111401398B (zh) | 用于根据人工智能检测输出确定疾病进展的***和方法 | |
| US11443201B2 (en) | Artificial intelligence-based self-learning in medical imaging | |
| US7529394B2 (en) | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system | |
| KR102140402B1 (ko) | 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치 | |
| Zéboulon et al. | Corneal topography raw data classification using a convolutional neural network | |
| Coan et al. | Automatic detection of glaucoma via fundus imaging and artificial intelligence: A review | |
| US20110022553A1 (en) | Diagnosis support system, diagnosis support method therefor, and information processing apparatus | |
| US11471096B2 (en) | Automatic computerized joint segmentation and inflammation quantification in MRI | |
| CN114612389B (zh) | 基于多源多尺度特征融合的眼底图像质量评价方法和装置 | |
| CN112561848A (zh) | 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备 | |
| JPWO2018211688A1 (ja) | コンピュータシステム、被験者診断支援方法及びプログラム | |
| CN113270168B (zh) | 一种提高医学图像处理能力的方法及*** | |
| Tsai et al. | Machine learning to identify distal tibial classic metaphyseal lesions of infant abuse: a pilot study | |
| König et al. | Quality assessment of colour fundus and fluorescein angiography images using deep learning | |
| Nagaraj et al. | The role of pattern recognition in computer-aided diagnosis and computer-aided detection in medical imaging: a clinical validation | |
| Na'am et al. | An automatic ROI of the fundus photography | |
| van Montfort et al. | Expertise development in volumetric image interpretation of radiology residents: what do longitudinal scroll data reveal? | |
| Amuthadevi et al. | Development of fuzzy approach to predict the fetus safety and growth using AFI | |
| CN112168168A (zh) | 用mr技术对全身脂肪进行自动化定量评价***及方法 | |
| WO2020227794A1 (pt) | Método e sistema automático de análise de imagem de mamografia e método de treinamento de rede neural profunda | |
| Tsai | Density map estimation with convolutional neural networks to count radiopaque markers on colonic transit studies | |
| KR20210054140A (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
| Gunasekara et al. | A feasibility study for deep learning based automated brain tumor segmentation using magnetic resonance images | |
| US20240127431A1 (en) | Method and apparatus for providing confidence information on result of artificial intelligence model |
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 |