影像报告模板的生成方法、计算机设备和存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种影像报告模板的生成方法、计算机设备和存储介质。

背景技术：

随着社会的不断进步和发展，人们的体力劳动正在逐步减少，脑力劳动随之增加，相应需要久坐办公室的时间也就大大增加，从而导致脊柱退行性疾病的发生率也在逐年增加，其严重影响了人们的正常生活，因此就需要对脊柱病变问题进行检查。

相关技术中，医生在对受检者的脊柱病变问题进行检查时，通常会通过手写的方式将受检者的检查记录等写在影像报告中相应的位置上，以得到受检者的检查报告，最终得到检查结果。

然而上述技术存在耗时耗力的问题。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够节省人力和时间的影像报告模板的生成方法、装置、计算机设备和存储介质。

一种影像报告模板的生成方法，该方法包括：

对获取的待检测医学图像进行特征提取，得到待检测医学图像对应的待检测图像特征；

将待检测图像特征输入至分类模型中，得到待检测图像特征对应的目标类别；该分类模型是基于历史图像特征和历史图像特征对应的标注类别进行训练得到的；

基于目标类别和预设的影像报告库，生成目标类别对应的影像报告模板；该影像报告库包括至少一个类别和每个类别对应的影像报告模板。

在其中一个实施例中，上述影像报告库的建立方式包括：

获取历史影像数据集；该历史影像数据集包括多个历史影像报告和每个历史影像报告对应的历史医学图像；

对多个历史影像报告进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告；

根据至少一个类别和每个类别对应的至少一个历史影像报告，得到影像报告库。

在其中一个实施例中，上述对多个历史影像报告进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告，包括：

对多个历史影像报告进行语义分析处理，得到每个历史影像报告对应的文本特征；

对各历史影像报告对应的文本特征进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告。

在其中一个实施例中，若上述类别对应多个历史影像报告，上述根据至少一个类别和每个类别对应的至少一个历史影像报告，得到影像报告库，包括：

计算同一类别下多个历史影像报告之间的相似度，并从每个类别对应的多个历史影像报告中确定每个类别对应的影像报告模板；

基于各个类别对应的影像报告模板，得到影像报告库。

在其中一个实施例中，上述计算同一类别下多个历史影像报告之间的相似度，并从每个类别对应的多个历史影像报告中确定每个类别对应的影像报告模板，包括：

计算同一类别下多个历史影像报告中每个历史影像报告和其他历史影像报告之间的相似度，得到同一类别下每个历史影像报告对应的至少一个相似度值；

基于同一类别下每个历史影像报告对应的至少一个相似度值，确定同一类别下多个历史影像报告中相似度值最高的历史影像报告；

将相似度值最高的历史影像报告确定为同一类别对应的影像报告模板，得到每个类别对应的影像报告模板。

在其中一个实施例中，在上述将待检测图像特征输入至分类模型中，得到待检测图像特征对应的目标类别之前，上述方法还包括：

对待检测图像特征进行特征筛选处理，得到筛选后的待检测图像特征；

相应地，上述将待检测图像特征输入至分类模型中，得到待检测图像特征对应的目标类别，包括：

将筛选后的待检测图像特征输入至分类模型中，得到筛选后的待检测图像特征对应的目标类别。

在其中一个实施例中，上述历史图像特征和历史图像特征对应的标注类别的获取方式包括：

对每个历史影像报告对应的历史医学图像进行特征提取，得到每个历史医学图像对应的历史图像特征；

获取每个历史影像报告对应的类别，并将每个历史影像报告对应的类别确定为每个历史图像特征对应的标注类别。

在其中一个实施例中，若上述类别对应一个历史影像报告，上述根据至少一个类别和每个类别对应的至少一个历史影像报告，得到影像报告库，包括：

将类别对应的一个历史影像报告，确定为类别对应的影像报告模板；

基于各个类别对应的影像报告模板，得到影像报告库。

一种影像报告模板的生成装置，该装置包括：

提取模块，用于对获取的待检测医学图像进行特征提取，得到待检测医学图像对应的待检测图像特征；

分类模块，用于将待检测图像特征输入至分类模型中，得到待检测图像特征对应的目标类别；该分类模型是基于历史图像特征和历史图像特征对应的标注类别进行训练得到的；

生成模块，用于基于目标类别和预设的影像报告库，生成目标类别对应的影像报告模板；该影像报告库包括至少一个类别和每个类别对应的影像报告模板。

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，所述处理器执行所述计算机程序时实现以下步骤：

对获取的待检测医学图像进行特征提取，得到待检测医学图像对应的待检测图像特征；

将待检测图像特征输入至分类模型中，得到待检测图像特征对应的目标类别；该分类模型是基于历史图像特征和历史图像特征对应的标注类别进行训练得到的；

基于目标类别和预设的影像报告库，生成目标类别对应的影像报告模板；该影像报告库包括至少一个类别和每个类别对应的影像报告模板。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

对获取的待检测医学图像进行特征提取，得到待检测医学图像对应的待检测图像特征；

将待检测图像特征输入至分类模型中，得到待检测图像特征对应的目标类别；该分类模型是基于历史图像特征和历史图像特征对应的标注类别进行训练得到的；

基于目标类别和预设的影像报告库，生成目标类别对应的影像报告模板；该影像报告库包括至少一个类别和每个类别对应的影像报告模板。

上述影像报告模板的生成方法、装置、计算机设备和存储介质，可以对待检测医学图像进行特征提取，得到待检测图像特征，通过分类模型对待检测图像特征进行分类，得到待检测图像特征的目标类别，基于待检测图像特征的目标类别和预设影像报告库，得到目标类别对应的影像报告模板，影像数据库包括至少一个类别和每个类别对应的影像报告模板。在该方法中，由于可以通过待检测图像特征得到匹配的影像报告模板，这样得到的影像报告模板是与待检测图像最为匹配的模板，而该影像报告模板上包括的内容也是最为全面的，这样医生在后续书写待检测对象的影像报告时，仅需在模板上简单修改就可以得到待检测对象对应的影像报告，从而可以节省医生的书写时间，也可以减轻医生的工作负担，即可以节省人力成本；另外，在节省人力和时间的基础上，可以使医生有更多时间和精力专注于病灶的检测，进而可以降低漏诊和误诊的问题，提高病灶检测的准确性。

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报告模板的生成方法的流程示意图；

图3为另一个实施例中影像报告模板的生成方法的流程示意图；

图4为另一个实施例中影像报告模板的生成方法的流程示意图；

图5a为另一个实施例中历史影像报告中包括的内容的示意图；

图5b为另一个实施例中历史影像报告进行聚类的示意图；

图6为一个实施例中影像报告模板的生成装置的结构框图。

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。

目前，随着人们久坐时间的增加，从而导致脊柱退行性疾病的发生率也在逐年增加，其严重影响了人们的正常生活，因此就需要对脊柱病变问题进行检查。相关技术中，医生在对受检者的脊柱病变问题进行检查时，通常有的医生会通过手写的方式将受检者的检查记录等写在影像报告中相应的位置上，以得到受检者的检查报告，最终得到检查结果，然而这个方法比较耗时耗力。当然，也有一些医生在临床工作中使用个人的简单模板作为报告书写的基础，其内容仅涵盖基础检查项，在实际应用时，仍需要花费大量的时间和精力进行修改和键盘录入，可见，其不能很好应对复杂多变的场景下的影像报告。当然也有一些采用结构化报告系统，将所有检查项列为固定选项，在医生书写报告时，对所需项一一进行勾选，最终生成检查报告/影像报告，然而其并不能很好的减轻医生的工作负担。基于此，本申请提供一种影像报告模板的生成方法、装置、计算机设备和存储介质，可以解决上述技术问题。

本申请提供的影像报告模板的生成方法，可以应用于计算机设备，该计算机设备可以是终端或服务器。以计算机设备是终端为例，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、运营商网络、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报告模板的生成方法。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。

需要说明的是，本申请实施例的执行主体可以是计算机设备，也可以是影像报告模板的生成装置，下面就以计算机设备为执行主体来对本申请实施例的方法进行说明。

在一个实施例中，提供了一种影像报告模板的生成方法，本实施例涉及的是如何根据待检测图像的图像特征得到影像报告模板的具体过程。如图2所示，该方法可以包括以下步骤：

s202，对获取的待检测医学图像进行特征提取，得到待检测医学图像对应的待检测图像特征。

其中，待检测医学图像可以是针对待检测对象的医学图像，当然也可以是针对待检测对象的特定部位或全身的医学图像，这里特定部位可以是待检测对象的脊柱、胸部、腹部等等。在得到待检测医学图像时，可以通过对待检测对象的特定部位或全身进行扫描，得到待检测医学图像，也可以通过在预先存储有待检测医学图像的数据库中得到该待检测医学图像，当然还可以是其他获取方式，本实施例不作具体限定。另外，这里待检测医学图像可以是ct(computedtomography，电子计算机断层扫描)图像、pet(positronemissioncomputedtomography，正电子发射型计算机断层显像)图像、mr(magneticresonance，磁共振)图像、pet-mr图像、pet-ct图像等等；待检测医学图像可以是一维图像、二维图像、三维图像等等。

在本步骤中，可以采用影像组学进行特征提取，当然也可以采用神经网络模型进行特征提取。在采用神经网络模型进行特征提取时，该神经网络模型可以包括卷积神经网络模型、循环神经网络模型等等。在使用神经网络模型进行特征提取之前，还可以对神经网络模型进行训练，训练过程为常规模型训练过程，在此不进行详细说明。

具体的，计算机设备首先获取待检测医学图像，在得到待检测医学图像之后，可以采用影像组学或神经网络模型对待检测医学图像进行特征提取，得到待检测医学图像的图像特征，记为待检测图像特征。

s204，将待检测图像特征输入至分类模型中，得到待检测图像特征对应的目标类别；该分类模型是基于历史图像特征和历史图像特征对应的标注类别进行训练得到的。

其中，这里的分类模型可以是支持向量机、决策树、随机森林、k-临近算法、神经网络模型等等。在使用分类模型进行分类之前，还可以对分类模型进行训练，训练过程具体如下步骤a1-a3：

步骤a1，获取历史数据集，该历史数据集包括多个历史图像特征集和每个历史图像特征集对应的标注类别；其中，每个历史图像特征集可以通过对各个历史医学图像进行特征提取得到，每个历史医学图像的类别可以通过预先人工标注或者通过聚类得到，每个历史医学图像的类别即为与其对应的历史图像特征集的类别；这里每个历史图像特征集中可以包括一个或多个历史图像特征；

步骤a2，构建分类模型；设定分类模型的各项参数，其中分类模型的输入通道的数量与每个历史图像特征的特征数量相同，输出通道的数量为1，对应每个历史图像特征的分类结果；在训练过程中，将历史数据集分成训练集x1、验证集x2、测试集x3，三者相互独立，对应的数量分别为n1、n2、n3，均为自然数，且n1一般大于等于历史数据集数量的一半；示例地，假设历史数据集的数量为1000(也就是包括1000个历史医学图像的历史图像特征和1000个标注类别)，那么n1可以为700，n2为200，n3为100；

步骤a3，使用步骤a1中生成的历史数据集训练步骤a2建立的分类模型；其中训练集x1用于训练分类模型，验证集x2用于评价分类模型当前的性能，测试集x3用于检验分类模型的泛化性能；训练过程中，通过验证集x2的分类结果不断调整分类模型中的超参数，使分类模型的分类性能达到最优，此时认为分类模型的训练结束，保存训练完成的分类模型；训练过程采用的损失函数可以根据实际情况而定，采用的优化器也可以根据实际情况而定，本实施例不作具体限定。

具体的，在将分类模型训练好之后，就可以将待检测图像特征输入至该训练好的分类模型中，就可以得到该待检测图像特征对应的类别，也是待检测医学图像对应的类别，记为目标类别。其中，待检测图像特征的数量可以和分类模型设置的输入通道数量相同，也可以是待检测图像特征的数量小于分类模型设置的输入通道数量。

s206，基于目标类别和预设的影像报告库，生成目标类别对应的影像报告模板；该影像报告库包括至少一个类别和每个类别对应的影像报告模板。

其中，预设的影像报告库可以预先建立好，该建立好的影像报告库中可以包括多个类别和每个类别对应的影像报告模板，影像报告库中的类别可以涵盖分类模型得到的类别，也就是说，分类模型得到的类别都可以在影像报告库中找到相同的类别。

具体的，计算机设备在通过分类模型得到待检测图像特征对应的目标类别之后，可以将该目标类别和影像报告库中的多个类别分别进行匹配，得到影像报告库中与该目标类别匹配的类别，并将该匹配的类别对应的影像报告模板输出，作为目标类别对应的影像报告模板，即得到待检测医学图像对应的影像报告模板。需要说明的是，这里的影像报告库中的每一类影像报告模板一般是具有很多检查项的模板，其可以基本涵盖该类医学图像检查所需的所有内容，所以在医生使用影像报告库中的影像报告模板进行报告书写时，只需要稍微进行修改即可得到该待检测医学图像所对应的影像报告，而不需要耗费太多的时间去重新撰写影像报告，因此可以节省时间和人力。

上述影像报告模板的生成方法中，可以对待检测医学图像进行特征提取，得到待检测图像特征，通过分类模型对待检测图像特征进行分类，得到待检测图像特征的目标类别，基于待检测图像特征的目标类别和预设影像报告库，得到目标类别对应的影像报告模板，影像数据库包括至少一个类别和每个类别对应的影像报告模板。在该方法中，由于可以通过待检测图像特征得到匹配的影像报告模板，这样得到的影像报告模板是与待检测图像最为匹配的模板，而该影像报告模板上包括的内容也是最为全面的，这样医生在后续书写待检测对象的影像报告时，仅需在模板上简单修改就可以得到待检测对象对应的影像报告，从而可以节省医生的书写时间，也可以减轻医生的工作负担，即可以节省人力成本；另外，在节省人力和时间的基础上，可以使医生有更多时间和精力专注于病灶的检测，进而可以降低漏诊和误诊的问题，提高病灶检测的准确性。

在另一个实施例中，提供了另一种影像报告模板的生成方法，本实施例涉及的是如何建立影像报告库的具体过程。在上述实施例的基础上，如图3所示，该影像报告库的建立方式可以包括以下步骤：

s302，获取历史影像数据集；该历史影像数据集包括多个历史影像报告和每个历史影像报告对应的历史医学图像。

在本步骤中，历史影像数据集中包括的历史影像报告和历史医学图像可以是针对不同对象的同一受检部位的报告和图像，也可以是针对不同对象的不同受检部位的报告和图像，本实施例主要使用的是针对不同对象的同一受检部位的报告和图像，例如可以从医院的数据库中得到历史检查过的脊柱退行性疾病相关的影像报告和医学图像，并将其作为历史影像数据集。另外，每个历史影像报告可以对应一个或多个历史医学图像，不过本实施例主要使用的是每个历史影像报告可以对应一个历史医学图像。

s304，对多个历史影像报告进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告。

其中，聚类处理可以采用聚类算法进行聚类，聚类算法可以包括划分方法、层次方法、基于密度的方法、基于网格的方法以及基于模型的方法等，本实施例主要使用的是划分方法中的无监督聚类算法(即k-means聚类算法，也称为k-均值聚类算法)。

在对各历史影像报告进行聚类时，可选的，可以采用如下步骤b1和b2进行聚类，如下：

步骤b1，对多个历史影像报告进行语义分析处理，得到每个历史影像报告对应的文本特征。

步骤b2，对各历史影像报告对应的文本特征进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告。

在步骤b1和b2中，在得到历史影像数据集中的多个历史影像报告之后，可以对每个历史影像报告进行词频和语义的统计分析，然后基于词频和语义的统计分析结果生成每个历史影像报告对应的文本特征，这里每个历史影像报告对应一组文本特征，之后，就可以对各组文本特征进行聚类处理，以k-均值聚类为例，这里的聚类过程可以包括：可以从多组文本特征中随机地选择k组文本特征，每组文本特征初始地代表了一个簇的平均值或中心，然后对剩余的每组文本特征，根据其与各簇中心的距离，将其赋给最近的簇，然后重新计算每个簇的平均值，这个过程不断重复，直到准则函数收敛，这里的准则可以是平方误差准则，即最终使得平方误差最小就认为收敛了。通过上述聚类处理，最终就可以将该多组文本特征分为至少一个类别，即将多个历史影像报告分为至少一个类别，这样就可以得到每个历史影像报告对应的类别，同时也就可以得到每个类别下对应的历史影像报告和历史医学影像。

在实际过程中，由于影像报告上一般都是文字，那么上述通过文本特征进行聚类，得到的同一类别下的影像报告都是具有高度类似的文本内容，从而使得用文本特征进行聚类后，得到的聚类结果会更加可靠，这样聚类的效果更佳。

另外，这里说明一下上述分类模型中历史图像特征的标注类别的获取方式，上述在得到历史影像数据集之后，可选的，可以对每个历史影像报告对应的历史医学图像进行特征提取，得到每个历史医学图像对应的历史图像特征；获取每个历史影像报告对应的类别，并将每个历史影像报告对应的类别确定为每个历史图像特征对应的标注类别。也就是说，这里每个历史影像报告的类别实质也是每个历史影像报告对应的历史医学图像的类别，每个历史影像报告的类别可以通过上述聚类得到，所以在得到每个历史医学图像对应的历史图像特征之后，也就可以得到每个历史图像特征的类别。

s306，根据至少一个类别和每个类别对应的至少一个历史影像报告，得到影像报告库。

在本步骤中，上述对历史影像数据集中的历史影像报告进行聚类，得到的类别可以是一个或多个，本实施例主要是针对聚类得到的类别为多个进行说明；同时每个类别下得到的历史影像报告也可以是一个或多个，而最终影像报告库中每个类别下只对应一个影像报告模板，下面分别对一个类别下对应一个历史影像报告以及一个类别下对应多个历史影像报告，如何得到影像报告模板及影像报告库的过程来进行说明。

首先，若上述聚类得到的每个类别都对应多个历史影像报告，那么上述s306可以包括如下步骤c1和c2：

步骤c1，计算同一类别下多个历史影像报告之间的相似度，并从每个类别对应的多个历史影像报告中确定每个类别对应的影像报告模板。

其中，相似度指的是两个物体的相似性，可以通过计算两个物体的特征之间的距离，如果距离小，那么认为这两个物体之间的相似度大；如果距离大，那么认为这两个物体之间的相似度小。具体通过相似度确定历史影像报告模板的过程可以采用如下步骤c11-c13进行：

步骤c11，计算同一类别下多个历史影像报告中每个历史影像报告和其他历史影像报告之间的相似度，得到同一类别下每个历史影像报告对应的至少一个相似度值。

步骤c12，基于同一类别下每个历史影像报告对应的至少一个相似度值，确定同一类别下多个历史影像报告中相似度值最高的历史影像报告。

步骤c13，将相似度值最高的历史影像报告确定为同一类别对应的影像报告模板，得到每个类别对应的影像报告模板。

在步骤c11-c13中，若某一个类别下对应多个历史影像报告，那么可以先提取得到该类别下每个历史影像报告的文本特征(或特征字段)，然后利用相似度函数，计算该类别下各个历史影像报告的文本特征(或特征字段)和该类别下其他历史影像报告的文本特征(或特征字段)之间的相似度值，这样每个历史影像报告会得到多个相似度值，然后将每个历史影像报告的多个相似度值取均值，得到每个历史影像报告的目标相似度值，并将每个历史影像报告的目标相似度值进行比较，得到其中的最大相似度值，之后可以将该最大相似度值对应的历史影像报告确定为该类别的影像报告模板。对于其他类别，若也是一个类别下具有多个历史影像报告，也可以按照此过程进行处理，然后就可以得到该类别下的影像报告模板。

需要说明的是，上述相似度值可以是两个历史影像报告的文本特征(或特征字段)之间的曼哈顿距离、基于词向量的余弦相似度、欧几里得距离、明式距离、基于字符的编辑距离、基于概率统计的杰卡德相似系数等等。

示例地，假设某一类别下有4个历史影像报告，分别为报告1、报告2、报告3、报告4，可以分别为每个报告计算其与其他3个报告的相似度，即报告1计算的相似度值包括报告1和报告2之间的相似度值、报告1和报告3之间的相似度值、报告1和报告4之间的相似度值；报告2计算的相似度值包括报告2和报告1之间的相似度值、报告2和报告3之间的相似度值、报告2和报告4之间的相似度值；报告3计算的相似度值包括报告3和报告1之间的相似度值、报告3和报告2之间的相似度值、报告3和报告4之间的相似度值；报告4计算的相似度值包括报告4和报告1之间的相似度值、报告4和报告2之间的相似度值、报告4和报告3之间的相似度值；这样每个报告会得到3个相似度值，然后将每个报告的3个相似度值取平均，得到每个报告的平均相似度值，即得到4个平均相似度值，将这4个平均相似度值进行比较，得到最大相似度值，并将最大相似度值对应的报告确定为报告模板。

步骤c2，基于各个类别对应的影像报告模板，得到影像报告库。

具体的，通过上述相似度值的计算和比较过程，就可以得到每个类别对应的影像报告模板，然后将各个类别和每个类别对应的影像报告模板进行保存，就可以得到影像报告库。

其次，若上述聚类得到的每个类别都对应一个历史影像报告，那么上述s306可以包括如下步骤d1和d2：

步骤d1，将类别对应的一个历史影像报告，确定为类别对应的影像报告模板。

步骤d2，基于各个类别对应的影像报告模板，得到影像报告库。

在步骤d1-d2中，若每个类别下只对应一个历史影像报告，那么就可以直接将该类别下的历史影像报告确定为该类别的影像报告模板，将每个类别和其对应的影像报告模板保存下来就可以得到影像报告库。

需要说明的是，上述两种情况一个是针对聚类结果中每个类别下有多个历史影像报告，另一个是聚类结果中每个类别下只有一个历史影像报告，当然还可能出现的情况是，聚类结果中一部分类别下有多个历史影像报告，另一部分类别下只有一个历史影像报告。

针对聚类结果中一部分类别下有多个历史影像报告，另一部分类别下只有一个历史影像报告的情况，在得到影像报告库时，可以对具有多个历史影像报告的类别，采用上述c11-c13得到该类别的影像报告模板，对具有一个历史影像报告的类别，采用上述d1得到该类别的影像报告模板，最后将得到的所有类别和所有类别的影像报告模板保存下来，得到影像报告库。

本实施例提供的影像报告模板的生成方法，可以获取历史影像数据集，该历史影像数据集包括多个历史影像报告和每个历史影像报告对应的历史医学图像，对多个历史影像报告进行聚类，以将多个历史影像报告分为多个类别，并得到每个类别下的影像报告模板，进而得到影像报告库。在本实施例中，由于可以通过历史影像数据集建立影像报告库，从而可以为后续通过医学图像得到影像报告模板提供一个数据基础。

在另一个实施例中，提供了另一种影像报告模板的生成方法，本实施例涉及的是在通过分类模型对待检测图像特征进行分类之前，还可以进行特征筛选的具体过程。在上述实施例的基础上，如图4所示，上述方法还可以包括以下步骤：

s402，对待检测图像特征进行特征筛选处理，得到筛选后的待检测图像特征。

其中，特征筛选的方法可以包括：方差选择法、相关系数法、卡方检验法、互信息法、递归特征消除法、基于惩罚项的特征选择法、基于树模型的特征选择法、主成分分析法、线性判别分析法等等。一般筛选后的图像特征的数量小于筛选前的图像特征的数量。

另外，上述待检测图像特征可以是一个待检测图像特征集，该待检测图像特征集包括一个或多个待检测图像特征，即该待检测图像特征集中待检测图像特征的数量可以根据实际情况而定，当然筛选后的待检测图像特征的数量也可以根据实际情况而定，例如可以是每个待检测医学图像对应588个待检测图像特征、筛选后的待检测图像特征的数量为20个等等，当然也可以是其他数量，这里只是示例。

需要说明的是，上述筛选一般是将待检测图像特征中对后续分类贡献较小或者会干扰后续分类结果，或者冗余的特征进行去除，即得到的筛选后的图像特征都是最为有效的，这样后续利用筛选后的图像特征进行分类，得到的分类结果也就会更加准确。

相应地，上述s204可以包括以下步骤：

s404，将筛选后的待检测图像特征输入至分类模型中，得到筛选后的待检测图像特征对应的目标类别。

在本步骤中，分类模型在训练之前，可以对上述s204中每个历史医学图像对应的历史图像特征集进行特征筛选，并将每个历史医学图像筛选后的历史图像特征集和对应的标注类别组成训练对，然后对分类模型进行训练。

具体的，在得到筛选后的待检测图像特征之后，就可以将筛选后的待检测图像特征输入至这里训练好的分类模型中，得到筛选后的待检测图像特征对应的类别，记为目标类别。

本实施例提供的影像报告模板的生成方法，可以对待检测图像特征进行特征筛选处理，得到筛选后的待检测图像特征，并将筛选后的待检测图像特征输入至分类模型中，得到筛选后的待检测图像特征对应的目标类别。在本实施例中，由于可以对待检测图像特征进行特征筛选，这样可以将待检测图像特征中的冗余特征或者干扰特征去除，从而使得到的筛选后的待检测图像特征是对后续分类贡献最大的，这样后续在对筛选后的待检测图像特征进行分类时，得到的分类结果也就是更加准确的。

在另一个实施例中，为了便于对本申请的技术方案进行更详细的说明，以下结合一个更加详细的实施例加以说明，该方法可以包括以下步骤s1-s11：

s1，获取历史影像数据集；该历史影像数据集包括多个历史影像报告和每个历史影像报告对应的历史医学图像。

s2，对多个历史影像报告进行语义分析处理，得到每个历史影像报告对应的文本特征。

s3，对各历史影像报告对应的文本特征进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告。

若某一个类别对应多个历史影像报告，则执行s4-s6，若某一个类别对应一个历史影像报告，则执行s7。

s4，计算同一类别下多个历史影像报告中每个历史影像报告和其他历史影像报告之间的相似度，得到同一类别下每个历史影像报告对应的至少一个相似度值。

s5，基于同一类别下每个历史影像报告对应的至少一个相似度值，确定同一类别下多个历史影像报告中相似度值最高的历史影像报告。

s6，将相似度值最高的历史影像报告确定为同一类别对应的影像报告模板，得到每个类别对应的影像报告模板。

s7，将该类别对应的一个历史影像报告，确定为类别对应的影像报告模板。

s8，基于各个类别对应的影像报告模板，得到影像报告库。

s9，对获取的待检测医学图像进行特征提取，得到待检测医学图像对应的待检测图像特征；

s10，将待检测图像特征输入至分类模型中，得到待检测图像特征对应的目标类别。

s11，基于目标类别和预设的影像报告库，生成目标类别对应的影像报告模板。

以下给出一个具体实例，以颈椎检测为例，预先会获取多个历史影像报告，每个历史影像报告上包括的内容可以有：检测对象的身份信息、临床诊断信息、检查名称、检查方法、影像学表现、影像学诊断等等。其中，参见图5a所示，影像学表现部分和影像学诊断部分可以包括的文本内容有：颈椎曲度、顺列，部分椎体边缘、部分椎体缘、诸椎体边缘、钩椎关节及椎小关节、椎间隙距离、椎管狭窄、椎间盘等等。

本实施主要是针对影像学表现部分和影像学诊断部分的文本内容进行聚类，具体聚类时，可以根据每个历史影像报告上的文本内容，将文本内容比较相似的聚为一类，这样聚类得到的每一类的历史影像报告的内容都是极为相似的，参见图5b中的图(a)、图(b)、图(c)所示，三幅图分别为聚类后得到的不同类别下的历史影像报告。其中，图(a)中将颈椎曲度变直、顺列可，部分椎体边缘、钩椎关节及椎小关节骨质硬化增生等内容相同的历史影像报告聚为一类，记为1类；图(b)中将颈椎曲度直、顺列可，部分椎体缘、钩椎关节及椎小关节骨质硬化增生，c2-c7椎间盘突出等内容相同的历史影像报告聚为一类，记为2类；图(c)中将颈椎曲度直、顺列可，部分椎体及钩椎关节骨质增生、硬化，椎间隙变窄，增生骨赘部分突入椎管，椎间盘显示不清等内容相同的聚为一类，记为3类。

需要说明的是，这里图5a和图5b只是一个示意图，其不影响本申请实施例的实质内容。当然，本申请实施例中可以依据历史影像报告聚为更多类，这里不作穷举。

通过上述基于文本内容的聚类，这样在选取影像报告模板时，选取的影像报告模板也是可以基本涵盖该类别下所有文本内容的，这样就可以让医生尽可能地少改写模板，减轻医生的工作量。

应该理解的是，虽然图2-4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，图2-4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。

在一个实施例中，如图6所示，提供了一种影像报告模板的生成装置，包括：提取模块10、分类模块11和生成模块12，其中：

提取模块10，用于对获取的待检测医学图像进行特征提取，得到待检测医学图像对应的待检测图像特征；

分类模块11，用于将待检测图像特征输入至分类模型中，得到待检测图像特征对应的目标类别；该分类模型是基于历史图像特征和历史图像特征对应的标注类别进行训练得到的；

生成模块12，用于基于目标类别和预设的影像报告库，生成目标类别对应的影像报告模板；该影像报告库包括至少一个类别和每个类别对应的影像报告模板。

关于影像报告模板的生成装置的具体限定可以参见上文中对于影像报告模板的生成方法的限定，在此不再赘述。

在另一个实施例中，提供了另一种影像报告模板的生成装置，在上述实施例的基础上，上述装置还可以包括报告建立模块，该报告建立模块包括：获取单元、聚类单元和确定单元，其中：

获取单元，用于获取历史影像数据集；该历史影像数据集包括多个历史影像报告和每个历史影像报告对应的历史医学图像；

聚类单元，用于对多个历史影像报告进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告；

确定单元，用于根据至少一个类别和每个类别对应的至少一个历史影像报告，得到影像报告库。

可选的，上述聚类单元，还用于对多个历史影像报告进行语义分析处理，得到每个历史影像报告对应的文本特征；对各历史影像报告对应的文本特征进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告。

可选的，若上述类别对应多个历史影像报告，则上述确定单元还可以包括计算子单元和确定子单元，其中：

计算子单元，用于计算同一类别下多个历史影像报告之间的相似度，并从每个类别对应的多个历史影像报告中确定每个类别对应的影像报告模板；

确定子单元，用于基于各个类别对应的影像报告模板，得到影像报告库。

可选的，上述计算子单元，还用于计算同一类别下多个历史影像报告中每个历史影像报告和其他历史影像报告之间的相似度，得到同一类别下每个历史影像报告对应的至少一个相似度值；基于同一类别下每个历史影像报告对应的至少一个相似度值，确定同一类别下多个历史影像报告中相似度值最高的历史影像报告；将相似度值最高的历史影像报告确定为同一类别对应的影像报告模板，得到每个类别对应的影像报告模板。

可选的，若上述类别对应一个历史影像报告，则上述确定子单元，还用于将类别对应的一个历史影像报告，确定为类别对应的影像报告模板；基于各个类别对应的影像报告模板，得到影像报告库。

可选的，上述分类模块11可以包括类别获取单元，该类别获取单元，用于对每个历史影像报告对应的历史医学图像进行特征提取，得到每个历史医学图像对应的历史图像特征；获取每个历史影像报告对应的类别，并将每个历史影像报告对应的类别确定为每个历史图像特征对应的标注类别。

在另一个实施例中，提供了另一种影像报告模板的生成装置，在上述实施例的基础上，上述装置还可以包括筛选模块，该筛选模块，用于对待检测图像特征进行特征筛选处理，得到筛选后的待检测图像特征；

相应地，上述分类模块11，还用于将筛选后的待检测图像特征输入至分类模型中，得到筛选后的待检测图像特征对应的目标类别。

关于影像报告模板的生成装置的具体限定可以参见上文中对于影像报告模板的生成方法的限定，在此不再赘述。

上述影像报告模板的生成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：

对获取的待检测医学图像进行特征提取，得到待检测医学图像对应的待检测图像特征；将待检测图像特征输入至分类模型中，得到待检测图像特征对应的目标类别；该分类模型是基于历史图像特征和历史图像特征对应的标注类别进行训练得到的；基于目标类别和预设的影像报告库，生成目标类别对应的影像报告模板；该影像报告库包括至少一个类别和每个类别对应的影像报告模板。

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：

获取历史影像数据集；该历史影像数据集包括多个历史影像报告和每个历史影像报告对应的历史医学图像；对多个历史影像报告进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告；根据至少一个类别和每个类别对应的至少一个历史影像报告，得到影像报告库。

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：

对多个历史影像报告进行语义分析处理，得到每个历史影像报告对应的文本特征；对各历史影像报告对应的文本特征进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告。

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：

计算同一类别下多个历史影像报告之间的相似度，并从每个类别对应的多个历史影像报告中确定每个类别对应的影像报告模板；基于各个类别对应的影像报告模板，得到影像报告库。

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：

计算同一类别下多个历史影像报告中每个历史影像报告和其他历史影像报告之间的相似度，得到同一类别下每个历史影像报告对应的至少一个相似度值；基于同一类别下每个历史影像报告对应的至少一个相似度值，确定同一类别下多个历史影像报告中相似度值最高的历史影像报告；将相似度值最高的历史影像报告确定为同一类别对应的影像报告模板，得到每个类别对应的影像报告模板。

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：

对待检测图像特征进行特征筛选处理，得到筛选后的待检测图像特征；将筛选后的待检测图像特征输入至分类模型中，得到筛选后的待检测图像特征对应的目标类别。

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：

对每个历史影像报告对应的历史医学图像进行特征提取，得到每个历史医学图像对应的历史图像特征；获取每个历史影像报告对应的类别，并将每个历史影像报告对应的类别确定为每个历史图像特征对应的标注类别。

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：

将类别对应的一个历史影像报告，确定为类别对应的影像报告模板；基于各个类别对应的影像报告模板，得到影像报告库。

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：

对获取的待检测医学图像进行特征提取，得到待检测医学图像对应的待检测图像特征；将待检测图像特征输入至分类模型中，得到待检测图像特征对应的目标类别；该分类模型是基于历史图像特征和历史图像特征对应的标注类别进行训练得到的；基于目标类别和预设的影像报告库，生成目标类别对应的影像报告模板；该影像报告库包括至少一个类别和每个类别对应的影像报告模板。

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：

获取历史影像数据集；该历史影像数据集包括多个历史影像报告和每个历史影像报告对应的历史医学图像；对多个历史影像报告进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告；根据至少一个类别和每个类别对应的至少一个历史影像报告，得到影像报告库。

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：

对多个历史影像报告进行语义分析处理，得到每个历史影像报告对应的文本特征；对各历史影像报告对应的文本特征进行聚类处理，得到至少一个类别和每个类别对应的至少一个历史影像报告。

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：

计算同一类别下多个历史影像报告之间的相似度，并从每个类别对应的多个历史影像报告中确定每个类别对应的影像报告模板；基于各个类别对应的影像报告模板，得到影像报告库。

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：

计算同一类别下多个历史影像报告中每个历史影像报告和其他历史影像报告之间的相似度，得到同一类别下每个历史影像报告对应的至少一个相似度值；基于同一类别下每个历史影像报告对应的至少一个相似度值，确定同一类别下多个历史影像报告中相似度值最高的历史影像报告；将相似度值最高的历史影像报告确定为同一类别对应的影像报告模板，得到每个类别对应的影像报告模板。

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：

对待检测图像特征进行特征筛选处理，得到筛选后的待检测图像特征；将筛选后的待检测图像特征输入至分类模型中，得到筛选后的待检测图像特征对应的目标类别。

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：

对每个历史影像报告对应的历史医学图像进行特征提取，得到每个历史医学图像对应的历史图像特征；获取每个历史影像报告对应的类别，并将每个历史影像报告对应的类别确定为每个历史图像特征对应的标注类别。

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：

将类别对应的一个历史影像报告，确定为类别对应的影像报告模板；基于各个类别对应的影像报告模板，得到影像报告库。

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、存储、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、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。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(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。

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发明专利范围的限制。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，本申请专利的保护范围应以所附权利要求为准。