医学影像质量检测方法、装置和存储介质与流程

本申请涉及医学数据处理技术领域，特别是涉及一种医学影像质量检测方法、装置和存储介质。

背景技术：

随着医疗技术的发展，医疗设备的种类越来越多也越来越普及。而不同的医疗设备的扫描技术也多种多样，且不同的扫描技术和成像方式也能够得到不同的医学影像，从而导致产生了海量的影像数据。同时，对于影像诊断而言，质量就是影像本身或该项检查固有的、决定是否能满足临床诊断目的、作为评价对象的性质的总和。所以影像质量的高低影响医生诊断的价值。因此，从海量的影像数据中获取高质量的影像是将要解决的问题。

然而，现有低质量或已破损的影像通常只有被调用阅片时才会被用户发现，然后通知被检者重新扫描后再重新阅片，导致人力成本提高。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够降低人力成本的医学影像质量检测方法、装置和存储介质。

一种医学影像质量检测方法，所述方法包括：

获取原始医学影像数据；

筛除所述原始医学影像数据中的异常数据，得到无异常医学影像数据；

从所述无异常医学影像数据中去除相关系数不满足要求的数据，得到待检医学影像数据；

利用预设的分类模型对所述待检医学影像数据进行质量分类，确定满足质量要求的医学影像。

在其中一个实施例中，所述筛除所述原始医学影像数据中的异常数据，得到无异常医学影像数据，包括：

对所述原始医学影像数据进行聚类分析，根据分析结果筛除异常数据，得到无异常医学影像数据。

在其中一个实施例中，所述对所述原始医学影像数据进行聚类分析，根据分析结果筛除异常数据，得到无异常医学影像数据，包括：

获取聚类个数，从所述原始医学影像数据中选取与所述聚类个数数量相同的数据作为聚类中心；

根据分配后各所述聚类中心的数据量确定异常数据，删除所述异常数据得到无异常医学影像数据；

或

获取最小邻域点数和邻域半径，遍历所述原始医学影像数据，根据所述最小邻域点数和所述邻域半径确定核心数据；

基于所述核心数据以及所述邻域半径进行数据分配，筛除未被分配的所述原始医学影像数据，得到无异常医学影像数据。

在其中一个实施例中，所述筛除所述原始医学影像数据中的异常数据，得到无异常医学影像数据，包括：

对所述原始医学影像数据进行离群因子检测，得到各所述原始医学影像数据对应的离群因子；

根据各所述离群因子筛除异常数据，得到无异常医学影像数据。

在其中一个实施例中，所述从所述无异常医学影像数据中去除相关系数不满足要求的数据，得到待检医学影像数据，包括：

将任意两个所述无异常医学影像数据组成数据对；

计算任意各所述数据对中两个所述无异常医学影像数据的相关系数；

当根据所述相关系数确定所述数据对中两个所述无异常医学影像数据具有相关性时，删除所述数据对中任意一个数据，得到待检医学影像数据。

在其中一个实施例中，所述删除所述数据对中任意一个数据，包括：

当任意至少两组所述数据对均具有相关性，且包含相同的无异常医学影像数据时，删除相同的所述无异常医学影像数据。

在其中一个实施例中，所述方法还包括：

获取训练样本数据，所述训练样本数据包括负样本数据和正样本数据；

为所述负样本数据添加负样本标签和为所述正样本数据添加正样本标签；

将已添加负样本标签的负样本和已添加正样本标签的正样本混合后输入预设的分类模型，对所述分类模型进行训练。

在其中一个实施例中，预设的所述分类模型包括但不限于决策树模型、逻辑回归模型、神经网络模型、支持向量机模型中的任意一种或多种。

一种医学影像质量检测装置，所述装置包括：

获取模块，用于获取原始医学影像数据；

异常分析模块，用于筛除所述原始医学影像数据中的异常数据，得到无异常医学影像数据；

相关分析模块，用于从所述无异常医学影像数据中去除相关系数不满足要求的数据，得到待检医学影像数据；

检测模块，用于利用预设检测模型对所述待检医学影像数据进行质量分类，确定满足质量要求的医学影像。

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上述任一项所述医学影像质量检测方法的步骤。

上述医学影像质量检测方法、装置和存储介质，在获取原始医学影像数据之后，筛除异常数据和去除相关系数不满足要求的数据，得到能够进行检测的数据，进而利用预设检测模型对待检测的数据进行质量分类。该方法通过去除异常数据和不满足要求的数据，防止噪声数据影响检测的质量，减轻后续检测工作的负担，进一步地通过将医学影像数据与数据分析相结合，实现自动从原始医学影像数据中筛选高质量的影像，降低了人力成本。

附图说明

图1为一个实施例中医学影像质量检测方法的应用环境图；

图2为一个实施例中医学影像质量检测方法的流程示意图；

图3为一个实施例中从无异常医学影像数据中去除相关系数不满足要求的数据，得到待检医学影像数据步骤的流程示意图；

图4为一个实施例中医学影像质量检测装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

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。

本申请提供的医学影像质量检测方法，可以应用于如图1所示的应用环境中。该应用环境涉及终端102和服务器104，终端102通过网络与服务器104进行通信。当终端102获取到原始医学影像数据之后，可由终端102单独实现上述医学影像质量检测方法。也可以由终端102将原始医学影像数据发送给服务器104，由服务器104实现上述医学影像质量检测方法。具体地，以终端102为例，终端102获取原始医学影像数据之后，筛除原始医学影像数据中的异常数据，得到无异常医学影像数据；终端102从无异常医学影像数据中去除相关系数不满足要求的数据，得到待检医学影像数据；终端102利用预设的分类模型对待检医学影像数据进行质量分类，确定满足质量要求的医学影像。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种医学影像质量检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

步骤s202，获取原始医学影像数据。

原始医学影像数据是指未经过医学影像质量检测的医学影像数据，可以是终端从pacs系统(picturearchivingandcommunicationsystems，影像归档和通信系统)中获取的医学影像数据，也可以是终端接收医学设备实时产生的医学影像数据、或者用户实时上传的医学影像数据。其中，pacs系统中的医学影像数据为日常产生的各种医学影像通过各种接口以数字化的方式保存起来的数据。例如将核磁、磁共振、ct(computedtomography，计算机体层摄影)、超声、各种x光机、各种红外仪、显微仪等医学设备产生的医学影像通过对应的接口进行数字化保存得到的数据。

步骤s204，筛除原始医学影像数据中的异常数据，得到无异常医学影像数据。

其中，异常数据是指噪声数据，也就是原始医学影像数据中偏离期望值或者与大部分数据差异较大的数据。无异常医学影像数即是去除异常数据之后剩余的原始医学影像数据。

具体地，当获取到原始医学影像数据之后，终端通过对原始医学影像数据进行聚类分析，根据聚类分析结果确定异常数据。然后，将确定的异常数据从原始医学影像数据中去除，得到无异常医学影像数据。其中，聚类分析是指将数据分类到不同的类或簇的一个过程，被分到同一个簇中的对象有很大的相似性，而不同的簇间的对象有很大的相异性。因此，在本实施例中通过聚类分析即能确定很明显的异常数据。例如，没有被分配的数据、或者某一簇数据中的数据量远远小于其它簇的数据量，就可以确定其为异常数据。

步骤s206，从无异常医学影像数据中去除相关系数不满足要求的数据，得到待检医学影像数据。

其中，相关系数是指基于统计学进行相关性分析得到的值，用于表示两个对象之间的相关性。待检医学影像数据即是去除了相关系数不满足要求的数据之后剩余的无异常医学影像数据。

具体地，当得到无异常医学影像数据之后，通过皮尔森相关检测对无异常医学影像数据进行相关性的检测。然后根据相关性检测得到的相关系数确定相关性比较强的数据，并将相关性较强的无异常医学影像数据去除，得到待检医学影像数据。确定相关性是否较强可将相关系数与系数阈值进行大小比较得到。例如，相关系数大于系数阈值表示相关性较强，系数阈值和具体地比较方式可根据实际情况进行设定。

步骤s208，利用预设的分类模型对待检医学影像数据进行质量分类，确定满足质量要求的医学影像。

其中，分类模型为预先利用大量医学影像数据样本训练得到的模型，训练好的分类模型用于对医学影像数据进行质量分类。分类模型包括但不限于是决策树模型、逻辑回归模型、神经网络模型、支持向量机模型中的任意一种或多种。

具体地，当得到待检医学影像数据之后，调用预先训练好的分类模型。将待检医学影像数据输入至调用的分类模型中，通过分类模型对待检医学影像数据进行质量分类。然后，根据分类模型输出的分类结果确定输入分类模型中的待检医学影像数据的质量是否符合要求。当分类结果为待检医学影像数据的质量不符合要求，则可以进一步通知用户以便重新进行扫描。

上述医学影像质量检测方法，在获取原始医学影像数据之后，筛除异常数据和去除相关系数不满足要求的数据，得到能够进行检测的数据，进而利用预设检测模型对待检测的数据进行质量分类。该方法通过去除异常数据和不满足要求的数据，防止噪声数据影响检测的质量，减轻后续检测工作的负担，进一步地通过将医学影像数据与数据分析相结合，实现自动从原始医学影像数据中筛选高质量的影像，降低了人力成本。

在一个实施例中，对原始医学影像数据进行聚类分析，根据分析结果筛除异常数据，得到无异常医学影像数据具体包括：获取聚类个数，从原始医学影像数据中选取与聚类个数数量相同的数据作为聚类中心；基于各聚类中心与剩余的原始医学影像数据的距离进行数据分配；根据分配后各聚类中心的数据量确定异常数据，删除异常数据得到无异常医学影像数据。

其中，聚类个数为预先设置用于明确簇数的值，例如当聚类个数为4时，即聚类成4簇。聚类中心可以理解为是随机选定的一类数据的代表。

具体地，当进行聚类分析时，首先获取聚类个数。然后从原始医学影像数据中随机挑选与聚类个数相同数量的数据，被挑选的数据即为聚类中心。例如，当聚类个数为4时，即从原始医学影像数据中随机挑选4个数据为聚类中心。然后，以聚类中心为标准，计算聚类中心与其他剩余的原始医学影像数据的欧式距离。基于欧式距离的大小，将剩余的原始医学影像数据分配到与其欧式距离最小的聚类中心，被分配到同一个聚类中心下的数据表示为一类数据。例如，数据a与第一聚类中心的欧式距离最小，则将数据a分配到第一聚类中心。最后，当数据分配完成之后，可以是直接将数据量最小的一簇数据作为异常数据删除。也可以根据各类数据量之间的差异确定异常数据，例如当存在一簇数据的数据量与其他簇的数据量差异过大时，可以直接确定并这簇差异过大的数据。而当各簇之间的数据量差异不大时，确定不存在异常数据。其中，差异是否过大可以通过将各簇的数据量的差值与差值阈值进行大小比较确定。

另外，当各簇之间的数据量差异不大时，还可以基于现有的聚类个数进行递增。基于递增之后的聚类个数重新进行聚类，根据新一轮的聚类结果确定异常数据，直至能够确定异常数据为止。例如，将原本的聚类个数从4递增到5，5递增到6等等。然后根据新的聚类个数重新从原始医学影像数据随机确定聚类中心进行数据分配。若经过多次递增重新聚类还是无法得到数据量差异过大的异常数据时，即可以确定不存在异常数据。在本实施例中，通过聚类分析去除明显的噪声异常数据，从而提高数据的质量。

在另一个实施例中，对原始医学影像数据进行聚类分析，根据分析结果筛除异常数据，得到无异常医学影像数据具体包括：获取最小邻域点数和邻域半径，遍历原始医学影像数据，根据最小邻域点数和邻域半径确定核心数据；基于核心数据以及邻域半径进行数据分配，筛除未被分配的原始医学影像数据，得到无异常医学影像数据。

其中，本实施例中使用的聚类分析是dbscan算法(density-basedspatialclusteringofapplicationswithnoise，基于密度的聚类算法)。dbscan算法是一种将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的数据中发现任意形状的聚类方法。最小领域点数和邻域半径是dbscan算法中的参数，邻域半径是指某一样本的邻域距离阈值，最小领域点数是描述某一样本距离为领域半径的邻域中样本个数的阈值。由于dbscan算法是基于一组邻域来描述样本集的紧密程度的，其参数最小邻域点数和邻域半径用来描述邻域的样本分布紧密程度。因此，通过给定参数最小邻域点数和邻域半径，dbscan算法即可基于最小邻域点数和邻域半径进行聚类分析。

具体地，获取预设的最小邻域点数和邻域半径，并遍历每个原始医学影像数据。当确定某一个原始医学影像数据的领域半径内至少包含最小领域点数的原始医学影像数据时，确定这个原始医学影像数据为核心数据并为其建立一个簇。然后，把核心数据邻域半径内的所有对象放入候选集合中，将候选集合中不属于其他簇的原始医学影像数据放入到建立的簇中。在此过程中，候选集合中被判断过的数据可视为被遍历过的数据，并且需要进一步检查该数据邻域半径内的原始医学影像数据的数据量。当数据量至少为最小邻域点数时，再将这个数据邻域半径内的原始医学影像数据放入到候选集合中。继续将候选集合中的数据放入到簇中，直至候选集中的数据均被遍历过，由此得到一个完整的簇。

如果还需要聚类得到下一个簇，即可在剩余的数据中再次随机确定核心数据，重复上述操作，原理相同在此不再赘述，直至所有的原始医学影像数据均被遍历。最后，确定游离于簇外的原始医学影像数据为异常数据，删除异常数据得到无异常原始医学影像数据。在本实施例中，由于噪声数据的存在通常会降低模型分类的准确性，因此通过聚类分析对医学影像数据进行数据清洗，能够去除明显的异常医学影像数据，从而提高医学影像数据的质量。并且，清洗医学影像数据还能够为后续的相关性分析提供干净的数据，提高相关性分析的准确性，从而进一步提升模型对医学影像数据分类的准确率。

在一个实施例中，筛除原始医学影像数据中的异常数据，得到无异常医学影像数据，包括：对原始医学影像数据进行离群因子检测，得到各原始医学影像数据对应的离群因子；根据各离群因子筛除异常数据，得到无异常医学影像数据。

具体地，通过离群因子检测算法lof(localoutlierfactor，局部异常因子算法)对原始医学影像数据进行检测，得到离群因子，离群因子即是异常的原始医学影像数据。然后，将离群因子所表示的原始医学影像数据删除，得到无异常医学影像数据。

另外，在一个实施例中，当筛除原始医学影像数据中的异常数据，得到无异常医学影像数据时，也可以先采用聚类分析的方法确定异常数据。当聚类分析确定原始医学影像数据不存在异常数据，或是当聚类分析通过多次递增聚类个数进行聚类也无法确定异常数据时，再通过lof算法进行离群因子检测，得到异常数据。在本实施例中，在聚类分析算法无法明确去除异常数据时，进一步通过离群因子检测算法检测并去除异常数据，从而面对各种不同类型的医学影像数据时，均能准确有效地去除异常数据。

在一个实施例中，如图3所示，从无异常医学影像数据中去除相关系数不满足要求的数据，得到待检医学影像数据，包括以下步骤：

步骤s302，将任意两个无异常医学影像数据组成数据对。

其中，数据对是指包括两个不同的无异常医学影像数据的集合。由于需要计算各无异常医学影像数据之间的相关系数，所以所有的无异常医学影像数据两两之间均需要组成数据对。因此，最终得到的数据对的数量由无异常医学影像数据的数量决定。

具体地，当得到无异常医学影像数据之后，将各无异常医学影像数据进行遍历组合，得到对应的数据对。遍历组合即是两两之间均需要进行组合，例如，假设有4个无异常医学影像数据a，b，c和d，那么遍历组合之后得到的数据对有(a,b)(a,c)(a,d)(b,c)(b,d)(c,d)。

步骤s304，计算任意各数据对中两个无异常医学影像数据的相关系数。

具体地，当得到数据对之后，利用皮尔森相关系数的计算公式计算数据对中两个无异常医学影像数据之间相关系数。例如，有(a,b)(a,c)(a,d)(b,c)(b,d)(c,d)等6个数据对，则分别对这6个数据对中的无异常医学影像数据进行计算，得到6个对应的相关系数。

步骤s306，当根据相关系数确定数据对中两个无异常医学影像数据具有相关性时，删除数据对中任意一个数据，得到待检医学影像数据。

具体地，将数据对的相关系数与系数阈值进行比较，确定具有相关性的数据对。例如，当系数阈值为0.8时，则可确定相关系大于等于0.8的数据对中的两个无异常医学影像数据具有相关性。当系数阈值为0.6时，则可确定相关系数大于等于0.6的两个无异常医学影像数据具有相关系数。应当理解的是，系数阈值的设定可根据实际情况设定，在此不作限定。然后，当根据系数阈值确定数据对中的两个无异常医学影像数据具有相关性时，即可删除数据对中的任意一个无异常医学影像数据，保留另一个无异常医学影像数据。最终保留下来的无异常医学影像数据即为待检医学影像数据。例如，数据对(a,b)中去除数据b，保留数据a。在本实施例中，由于医学影像属通常以dicom(digitalimagingandcommunicationsinmedicine，医学数字成像和通信)影像标准的形式保存于pacs(picturearchivingandcommunicationssystem医疗图像管理与通信系统)中，而doicm文件又依靠各种标签值(tag)标识唯一医学影像数据和维持各种医学影像数据之间的关联。因此，在各种tag的存在下，如果直接将医学影像数据进行分类，会降低模型的分类效率。所以，在对医学影像数据分类之前，通过对数据进行相关性分析，删除相关性高的数据，以减少属性冗余的数据，从而减轻模型分类的负担以提高分类的准确性。

另外，在一个实施例中，当任意至少两组数据对均具有相关性，且包含相同的无异常医学影像数据时，删除相同的无异常医学影像数据。

具体地，当两组数据对均具有相关性且包含相同的无异常医学影像数据，以及另外不相同的两个数据不具备相关性时，删除相同的无异常医学影像数据。例如，假设数据对(a,b)和数据对(a,c)均具有相关性，且同时包含数据a，而数据b和数据c又不具有相关性。为了保证数据的多样性，可将数据a删除。但是，当数据b和数据c同时具有相关性时，去除数据a之后，应当在b和c之间任意选择一个数据删除。同理，当数据对(a,b)、数据对(a,c)和数据对(a,d)均具有相关性，且数据b、c和d之间不具备相关性时，选择删除数据a。而数据bcd之间根据其两两之间的相关系数的情况进行删除。在本实施例中，当两组或两组以上的数据对均具有相关性且其中包括相同的医学影像数据时，直接去除相同的医学影像数据，不仅能够减少属性冗余的数据为模型减轻分类负担，同时在去除冗余数据的基础上还能进一步保证数据的多样性。

在一个实施例中，医学影像质量检测还包括训练分类模型的步骤，分类模型的训练应当在利用分类模型进行质量分类之前训练完成。例如，分类模型可以在获取原始医学影像数据之前训练完成。

训练分类模型具体包括：获取训练样本数据，训练样本数据包括负样本数据和正样本数据；为负样本数据添加负样本标签和为正样本数据添加正样本标签；将已添加负样本标签的负样本和已添加正样本标签的正样本混合后输入预设的分类模型，对分类模型进行训练。

具体地，训练分类模型时，首先获取历史医学影像数据，历史医学影像数据是历史上拍片获取过的真实的医学影像数据。通过删除历史医学影像数据中的异常数据和相关性较高的数据，得到正样本数据。负样本数据是用户上传的无效的医学影像数据，负样本数据是由人工手动生成的数据并非拍片获取的真实数据。正样本数据可以视为高质量的医学影像数据，负样本数据可以视为低质量的医学影像数据。

通过为样本数据添加对应的标签标志该样本数据的类型。即，为正样本数据添加正样本标签标识其为高质量的样本数据，为负样本数据添加负样本标签标识其为低质量的样本数据。可以通过为样本数据添加布尔属性的标签来表示正样本标签和负样本标签。例如，添加属性值为1的数据为高质量的正样本数据，添加属性值为0的数据为低质量的负样本数据。当标签添加完毕之后，将正样本数据和负样本数据按照一定的比例进行混合。可以通过模拟无效非平衡数据按照正样本数据10：负样本数据1的比例进行混合。最后，从混合后的数据中选择一定比例，例如70％的数据作为训练数据输入分类模型中，对分类模型进行训练，使得模型具备分辨高质量医学影像数据和低质量医学影像数据的能力。而剩余30％的数据可以在分类模型训练完成之后用于测试分类模型的分类效果，根据测试的分类结果进一步对分类模型的参数进行调整，从而提高分类模型的精准度。

应该理解的是，虽然图2-3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2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子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4所示，提供了一种医学影像质量检测装置，包括：获取模块402、异常分析模块404、相关分析模块406和检测模块408，其中：

获取模块402，用于获取原始医学影像数据。

异常分析模块404，用于筛除原始医学影像数据中的异常数据，得到无异常医学影像数据。

相关分析模块406，用于从无异常医学影像数据中去除相关系数不满足要求的数据，得到待检医学影像数据。

检测模块408，用于利用预设的分类模型对待检医学影像数据进行质量分类，确定满足质量要求的医学影像。

在一个实施例中，异常分析模块404还用于对原始医学影像数据进行聚类分析，根据分析结果筛除异常数据，得到无异常医学影像数据。

在一个实施例中，异常分析模块404还用于获取聚类个数，从原始医学影像数据中选取与聚类个数数量相同的数据作为聚类中心；根据分配后各聚类中心的数据量确定异常数据，删除异常数据得到无异常医学影像数据；或

获取最小邻域点数和邻域半径，遍历原始医学影像数据，根据最小邻域点数和邻域半径确定核心数据；基于核心数据以及邻域半径进行数据分配，筛除未被分配的原始医学影像数据，得到无异常医学影像数据。

在一个实施例中，异常分析模块404还用于对原始医学影像数据进行离群因子检测，得到各原始医学影像数据对应的离群因子；根据各离群因子筛除异常数据，得到无异常医学影像数据。

在一个实施例中，相关分析模块406还用于将任意两个无异常医学影像数据组成数据对；计算任意各数据对中两个无异常医学影像数据的相关系数；当根据相关系数确定数据对中两个无异常医学影像数据具有相关性时，删除数据对中任意一个数据，得到待检医学影像数据。

在一个实施例中，相关分析模块406还用于当任意至少两组数据对均具有相关性，且包含相同的无异常医学影像数据时，删除相同的无异常医学影像数据。

在一个实施例中，医学影像质量检测装置还包括训练模块，用于获取训练样本数据，训练样本数据包括负样本数据和正样本数据；为负样本数据添加负样本标签和为正样本数据添加正样本标签；将已添加负样本标签的负样本和已添加正样本标签的正样本混合后输入预设的分类模型，对分类模型进行训练。

关于医学影像质量检测装置的具体限定可以参见上文中对于医学影像质量检测方法的限定，在此不再赘述。上述医学影像质量检测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，该计算机设备可以是服务器，其内部结构图可以如图5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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于存储原始医学影像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学影像质量检测方法。

本领域技术人员可以理解，图5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，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：

获取原始医学影像数据；

筛除原始医学影像数据中的异常数据，得到无异常医学影像数据；

从无异常医学影像数据中去除相关系数不满足要求的数据，得到待检医学影像数据；

利用预设的分类模型对待检医学影像数据进行质量分类，确定满足质量要求的医学影像。

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：

对原始医学影像数据进行聚类分析，根据分析结果筛除异常数据，得到无异常医学影像数据。

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：

获取聚类个数，从原始医学影像数据中选取与聚类个数数量相同的数据作为聚类中心；根据分配后各聚类中心的数据量确定异常数据，删除异常数据得到无异常医学影像数据；或

获取最小邻域点数和邻域半径，遍历原始医学影像数据，根据最小邻域点数和邻域半径确定核心数据；基于核心数据以及邻域半径进行数据分配，筛除未被分配的原始医学影像数据，得到无异常医学影像数据。

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：

对原始医学影像数据进行离群因子检测，得到各原始医学影像数据对应的离群因子；根据各离群因子筛除异常数据，得到无异常医学影像数据。

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：

将任意两个无异常医学影像数据组成数据对；计算任意各数据对中两个无异常医学影像数据的相关系数；当根据相关系数确定数据对中两个无异常医学影像数据具有相关性时，删除数据对中任意一个数据，得到待检医学影像数据。

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：

当任意至少两组数据对均具有相关性，且包含相同的无异常医学影像数据时，删除相同的无异常医学影像数据。

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：

获取训练样本数据，训练样本数据包括负样本数据和正样本数据；为负样本数据添加负样本标签和为正样本数据添加正样本标签；将已添加负样本标签的负样本和已添加正样本标签的正样本混合后输入预设的分类模型，对分类模型进行训练。

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：

获取原始医学影像数据；

筛除原始医学影像数据中的异常数据，得到无异常医学影像数据；

从无异常医学影像数据中去除相关系数不满足要求的数据，得到待检医学影像数据；

利用预设的分类模型对待检医学影像数据进行质量分类，确定满足质量要求的医学影像。

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：

对原始医学影像数据进行聚类分析，根据分析结果筛除异常数据，得到无异常医学影像数据。

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：

获取聚类个数，从原始医学影像数据中选取与聚类个数数量相同的数据作为聚类中心；根据分配后各聚类中心的数据量确定异常数据，删除异常数据得到无异常医学影像数据；或

获取最小邻域点数和邻域半径，遍历原始医学影像数据，根据最小邻域点数和邻域半径确定核心数据；基于核心数据以及邻域半径进行数据分配，筛除未被分配的原始医学影像数据，得到无异常医学影像数据。

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：

对原始医学影像数据进行离群因子检测，得到各原始医学影像数据对应的离群因子；根据各离群因子筛除异常数据，得到无异常医学影像数据。

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：

将任意两个无异常医学影像数据组成数据对；计算任意各数据对中两个无异常医学影像数据的相关系数；当根据相关系数确定数据对中两个无异常医学影像数据具有相关性时，删除数据对中任意一个数据，得到待检医学影像数据。

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：

当任意至少两组数据对均具有相关性，且包含相同的无异常医学影像数据时，删除相同的无异常医学影像数据。

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：

获取训练样本数据，训练样本数据包括负样本数据和正样本数据；为负样本数据添加负样本标签和为正样本数据添加正样本标签；将已添加负样本标签的负样本和已添加正样本标签的正样本混合后输入预设的分类模型，对分类模型进行训练。

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/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)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。