一种医学影像检查部位标准化方法及系统与流程

1.本发明涉及医学影像检查技术领域，具体来说，涉及一种医学影像检查部位标准化方法及系统。


背景技术：

2.在医疗环境中的医学影像检查数据，由于各级医疗机构的院内互联互通信息化水平建设情况不同，导致检查部位数据有较大的差异，并且经常发生改变。省级医学影像质控工作是基于检查部位匹配相应的质控因子，所以对大量差异化的部位信息进行部位标准化是省级医学影像质控工作开展的前提。通过ai分析、大数据工具实现多医疗机构差异化影像类检查部位的数据标准化是医学影像检查部位标准化的发展方向。
3.标准化是一个制定、执行和不断完善的过程。就是不断提高质量、提高管理水平、提高经济效益的过程。标准化可以使一个行业、一项技术持续发展，可以协助管控质量。任何体系都需要标准化进行规范和约束，医疗更是性命攸关的行业，必然需要一个标准化推动质量控制。
4.针对相关技术中的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.针对相关技术中的问题，本发明提出一种医学影像检查部位标准化方法及系统，以克服现有相关技术所存在的上述技术问题。
6.为此，本发明采用的具体技术方案如下：
7.根据本发明的一个方面，提供了一种医学影像检查部位标准化方法，该方法包括以下步骤：
8.s1、整合实时采集数据与历史数据作为医学影像数据；
9.s2、以医学影像数据作为数据基础，采用预设方法进行部位标准化；
10.s3、通过对医学影像进行部位标准化，生成相应数据集。
11.进一步的，所述实时采集数据为区域内各医疗机构不间断推送的实时医学影像数据，所述历史数据为质控工作开展之前，医疗机构上传的医学影像检查数据。
12.进一步的，所述预设方法为匹配医学影像部位标准及构建部位标准化模型。
13.进一步的，所述构建部位标准化模型包括以下步骤：
14.s21、在放射信息管理系统(ris)结构化数据和医学数字成像和通信(dicom)影像解析数据中，对常用的部位名称和检查方法提取成频繁项集，并进行区域性的规范和标准化，形成最终的标准检查部位体系和检查方法内容；
15.s22、结合检查部位、检查方法涉及到的词语，对相关同义词/近义词进行计算；
16.s23、通过分词、同义词/近义词、规则和数据分析的相结合，实现标准化映射方法；
17.s24、采用预设方案输出医学影像检查部位的标准化模型；
18.s25、建立周期性自动化的更新模型机制，对标准化模型进行深度学习、优化，得到
新版部位质控评价模型。
19.进一步的，所述对相关同义词/近义词进行计算包括以下步骤：
20.s221、收集待处理数据，进行检索提取形成分词，并使用开源的基于连续词袋模型(cbow)和词向量模型(skim
‑
gram)两个模型的向量空间模型(word2vec)，初步完成近义词的计算；
21.s222、对待处理数据使用双向语言模型(bert)序列标注的细微调整，实现同义词/近义词的计算。
22.进一步的，所述待处理数据包括但不限于医疗机构汇集的检查报告、诊断报告及检查名称的文本类数据。
23.进一步的，所述采用预设方案输出医学影像检查部位的标准化模型包括以下步骤：
24.s241、对各医疗机构已上传的所有影像类检查数据进行必要的数据治理，形成可供应用的初步标准化数据集作为训练集；
25.s242、通过ai分析、大数据工具的方式，并结合医学影像质控部位标准进行标准化模型的输出。
26.进一步的，所述建立周期性自动化的更新模型机制，对标准化模型进行深度学习、优化，得到新版部位质控评价模型还包括以下步骤：
27.s251、持续对医学影像数据进行上传；
28.s252、结合医疗相关行业数据标准规范对上传医学影像数据进行数据治理；
29.s253、将治理后的数据形成实时数据集，并通过进行部位标准模型进行部位标准化；
30.s254、结合医学影像质量控制各部位评价因子，通过核心ai算法对部位标准模型进行调整优化。
31.根据本发明的另一个方面，还提供了一种医学影像检查部位标准化系统，该系统包括：
32.数据采集模块，用于整合实时采集数据与历史数据作为医学影像数据；
33.部位标准化模块，用于以医学影像数据作为数据基础，采用预设方法进行部位标准化；
34.数据集构建模块，用于通过对医学影像进行部位标准化，生成相应数据集。
35.进一步的，所述部位标准化模块，用于以医学影像数据作为数据基础，采用预设方法进行部位标准化还包括医学影像质控专业知识及构建部位标准化模型。
36.本发明的有益效果为：通过对医学影像数据，匹配省级医学影像质控专业知识，并依托部位标准化模型进行部位标准化工作开展，最终输出符合医学影像质控要求的部位标准化数据集，能够对多医疗机构的差异化医学影像检查部位数据进行标准化，以开展质控工作。
37.此外医学影像检查部位标准化是一个医学影像质控发展、优化的推动力。医学影像检查部位标准化可以解决目前省级医学影像检查规范不同，质量不可控，影像数据差异性较大的问题。从部位标准化中不断提升医学影像检查的准确性，进而推动省级质控标准的形成。
附图说明
38.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1是根据本发明实施例的一种医学影像检查部位标准化方法的流程图；
40.图2是根据本发明实施例的一种医学影像检查部位标准化方法中数据标准化技术流程框图；
41.图3是根据本发明实施例的一种医学影像检查部位标准化方法中近义词与同义词挖掘技术流程框图；
42.图4是根据本发明实施例的一种医学影像检查部位标准化方法中cbow模型示意图；
43.图5是根据本发明实施例的一种医学影像检查部位标准化方法中skim
‑
gram模型示意图；
44.图6是根据本发明实施例的一种医学影像检查部位标准化方法中bert模型示意图；
45.图7是根据本发明实施例的一种医学影像检查部位标准化方法中检查部位和检查方法映射流程框图；
46.图8是根据本发明实施例的一种医学影像检查部位标准化方法中构建部位标准化模型流程框图；
47.图9是根据本发明实施例的一种医学影像检查部位标准化方法中构建新版部位质控评价模型流程框图；
48.图10是根据本发明实施例的一种医学影像检查部位标准化方法中医学影像质控专业知识举例展示图；
49.图11是根据本发明实施例的一种医学影像检查部位标准化方法中医学影像质控专业知识最终效果展示图；
50.图12是根据本发明实施例的一种医学影像检查部位标准化方法中持续可用的医学影像部位标准化模型流程框图；
51.图13是根据本发明实施例的一种医学影像检查部位标准化方法中部位标准化名称体系展示图；
52.图14是根据本发明实施例的一种医学影像检查部位标准化方法中部位标准化依托的影像互认项目展示图；
53.图15是根据本发明实施例的一种医学影像检查部位标准化方法中构建部位标准化结构框图；
54.图16是根据本发明实施例的一种医学影像检查部位标准化方法中影像数据差异展示图；
55.图17是根据本发明实施例的一种医学影像检查部位标准化系统的结构框图。
56.图中：
57.1、数据采集模块；2、部位标准化模块；3、数据集构建模块。
具体实施方式
58.为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
59.根据本发明的实施例，提供了一种医学影像检查部位标准化方法及系统。
60.现结合附图和具体实施方式对本发明进一步说明，如图1
‑
16所示，根据本发明实施例的医学影像检查部位标准化方法，该方法包括以下步骤：
61.s1、整合实时采集数据与历史数据作为医学影像数据；
62.s2、以医学影像数据作为数据基础，采用预设方法进行部位标准化；
63.其中，主要按照检查类型、部位、检查方法等具体内容进行部位标准化，是医学影像部位标准化数据集生成的必要工作。
64.s3、通过对医学影像进行部位标准化，生成相应数据集。
65.其中，部位标准化对每一份报告数据的部位内容进行医学影像的部位标准化，从而形成相应数据集。
66.在一个实施例中，所述实时采集数据为省级区域内各医疗机构不间断推送的实时医学影像数据，所述历史数据为质控工作开展之前，医疗机构上传的医学影像检查数据。
67.在一个实施例中，所述预设方法为匹配省级医学影像部位标准及构建部位标准化模型。
68.在一个实施例中，所述构建部位标准化模型包括以下步骤：
69.s21、根据国家医疗行业对影响检查的相关定义及行业内资深专家知识，在放射信息管理系统(ris)结构化数据和医学数字成像和通信(dicom)影像解析数据中，对常用的部位名称和检查方法提取成频繁项集，并进行区域性的规范和标准化，形成最终的标准检查部位体系和检查方法内容；
70.s22、结合检查部位、检查方法涉及到的词语，对相关同义词/近义词进行计算；
71.s23、通过分词、同义词/近义词、规则和数据分析的相结合，实现标准化映射方法；
72.s24、采用预设方案输出医学影像检查部位的标准化模型；
73.s25、建立周期性自动化的更新模型机制，对标准化模型进行深度学习、优化，得到新版部位质控评价模型。
74.在一个实施例中，所述对相关同义词/近义词进行计算包括以下步骤：
75.s221、收集待处理数据，进行检索提取形成分词，并使用开源的基于连续词袋模型(cbow)和词向量模型(skim
‑
gram)两个模型的向量空间模型(word2vec)，初步完成同义词/近义词的计算；
76.其中，cbow模型示意图如图4所示，据图可知，输入层为x，x的维度为ck，ck表示词表大小，xck表示第ck个节点的输入值，v
‑
dim、n
‑
dim指所在层的向量维度，w为输入层到隐藏层的权值向量，wv
×
n表示第v个输入节点到第n个隐藏层节点边的权值，hi表示i个隐藏层节点，w
′
表示隐藏层到输出层的权值向量，wn
×
v表示隐藏层第n个节点到输出层第v个节点边的权值，输出层同样是一个v维的向量，其中yj表示输出层第j个节点。
77.前向网络构建：
78.c表示上下文词汇数量，w表示输入层到隐藏层权值，w
t
k表示的就是输入节点为1所对应的向量，vwi表示第i个词汇的词向量，本质上输入层到隐藏层就是单词所对应的向量进行相加。
[0079][0080]
构造损失函数：
[0081]
v
′
wjt表示的就是隐藏层到输出层节点j的权值，uj表示输出层第j个节点的输出值。
[0082][0083]
更新参数权值：
[0084]
v
′
wj
(new)＝v
′
wj
(old)
‑
η
·
e
j
·
h
[0085]
for j＝1，2，
…
，v；
[0086][0087]
for c＝1，2，
…
，c；
[0088]
此外，skim
‑
gram模型如图5所述，前向网络构建：表示的是从输入层到隐藏层，有没有发现和单个单词到单个单词的第一步很相似，几乎是一样的；
[0089][0090]
表示的是隐藏层到输出层，基本上也和单个单词到单个单词的类似；
[0091]
u
c，j
＝u
j
＝v
′
wj
t
·
h，for c＝1，2，
…
，c
[0092]
表示的是一层softmax，输出每一个节点的概率值，这里的c表示的就是上下文context的数量；
[0093][0094]
构造损失函数:
[0095][0096]
反向网络构建：
[0097][0098][0099][0100][0101]
更新参数权值：
[0102][0103][0104]
s222、对待处理数据使用双向语言模型(bert)序列标注的细微调整，实现近义词的计算。
[0105]
其中，bert模型示意图如图6所示，据图可知，trm：transformer模型简称，保证每个时刻的attention计算都能够得到全部时刻的输入。
[0106]
bert模型训练：l表示transformer层数，h表示transformer内部维度，a表示heads的数量，total parameters表示模型参数总和数量。
[0107]
bert
‑
large:l＝24,h＝1024,a＝16,total parameters＝340m
[0108]
fine
‑
tuning通过对取bert的每一个输出，喂给一个softmax层得到分类结果输出，最终实现近义词计算。
[0109]
在一个实施例中，所述待处理数据包括但不限于医疗机构汇集的检查报告、诊断报告及检查名称的文本类数据。
[0110]
在一个实施例中，所述采用预设方案输出医学影像检查部位的标准化模型包括以下步骤：
[0111]
s241、对各医疗机构已上传的所有影像类检查数据进行必要的数据治理，形成可
供应用的初步标准化数据集作为训练集；
[0112]
s242、通过ai分析、大数据工具的方式，并结合省级医学影像质控部位标准进行标准化模型的输出。
[0113]
在一个实施例中，所述建立周期性自动化的更新模型机制，对标准化模型进行深度学习、优化，得到新版部位质控评价模型还包括以下步骤：
[0114]
s251、持续对医学影像数据进行上传；
[0115]
s252、结合医疗相关行业数据标准规范对上传医学影像数据进行数据治理；
[0116]
s253、将治理后的数据形成实时数据集，并通过进行部位标准模型进行部位标准化；
[0117]
s254、结合医学影像质量控制各部位评价因子，通过核心ai算法对部位标准模型进行调整优化。
[0118]
其中，当医学影像检查数据各部位标准化模型建立后，为了对日益复杂的医疗行业影像数据形成持续可用、可靠、可信的部位标准化，从而开展质控工作。核心标准化模型需要进行周期性的更新。由于影像包含实时数据，建立周期性自动化的更新模型机制，形成模型的深度学习、优化，最终输出高可用的部位标准化模型是非常有必要的。针对实时上传的数据，正常进行符合地区性标准规范的数据治理，作为新的实时数据集。再基于核心ai算法、大数据工具和省级部位标准化的专家共识，对模型进行深度学习、优化从而持续输出新版部位质控评价模型。
[0119]
部位标准化架构，通过对治理后的医学影像数据源结合医学相关标准、省级质控专家共识来构建部位名称体系结构，再通过ai技术来实现部位各方面内容的标准化，整体形成持续可用的医学影像部位标准化模型。
[0120]
根据本发明的另一个实施例，如图17所示，还提供了一种医学影像检查部位标准化系统，该系统包括：
[0121]
数据采集模块1，用于整合实时采集数据与历史数据作为医学影像数据；
[0122]
部位标准化模块2，用于以医学影像数据作为数据基础，采用预设方法进行部位标准化；
[0123]
数据集构建模块3，用于通过对医学影像进行部位标准化，生成相应数据集。
[0124]
在一个实施例中，所述部位标准化模块，用于以医学影像数据作为数据基础，采用预设方法进行部位标准化还包括省级医学影像质控专业知识及构建部位标准化模型。
[0125]
综上所述，借助于本发明的上述技术方案，通过对医学影像数据，匹配省级医学影像质控专业知识，并依托部位标准化模型进行部位标准化工作开展，最终输出符合医学影像质控要求的部位标准化数据集，能够对多医疗机构的差异化医学影像检查部位数据进行标准化，以开展质控工作。
[0126]
此外医学影像检查部位标准化是一个医学影像质控发展、优化的推动力。医学影像检查部位标准化可以解决目前省级医学影像检查规范不同，质量不可控，影像数据差异性较大的问题。从部位标准化中不断提升医学影像检查的准确性，进而推动省级质控标准的形成
[0127]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。