一种影像科肿瘤复查自动阅片管理方法及系统与流程

1.本发明涉及影像阅片领域，尤其涉及一种影像科肿瘤复查自动阅片管理方法及系统。


背景技术：

2.影像诊断是以各种影像学手段获取的图像为基础，诊断的正确性很大程度取决于各种影像的特点，影像科集检查、诊断、治疗于一体，临床各科许多疾病都须通过影像科医师明确诊断或辅助诊断。
3.但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
4.现有技术存在人工阅片工作量大、效率低，进而降低诊断准确率的技术问题。


技术实现要素：

5.本申请实施例通过提供一种影像科肿瘤复查自动阅片管理方法及系统，解决了现有技术存在人工阅片工作量大、效率低，进而降低诊断准确率的技术问题，达到缩短阅片时间，提高阅片效率进而提升诊断准确率的技术效果。
6.鉴于上述问题，提出了本申请实施例提供一种影像科肿瘤复查自动阅片管理方法及系统。
7.第一方面，本申请实施例提供了一种影像科肿瘤复查自动阅片管理方法，所述方法包括：获得第一用户的第一影像的片号信息；根据所述第一影像的片号信息，对所述第一用户的所述第一影像的片号信息进行归类，获得第一类别肿瘤信息；通过所述第一阅片显示器对所述第一影像中的所述第一类别肿瘤信息进行显示，获得第一肿瘤影像信息；获得标准影像信息；将所述第一肿瘤影像信息和所述标准影像信息输入影像对比模型，获得第一特征点的图像信息；对所述第一特征点的图像信息进行特征提取，获得所述第一特征点的性质信息；根据所述第一特征点的图像信息，获得所述第一特征点的尺寸信息；将所述第一特征点的性质信息和所述第一特征点的尺寸信息作为输入信息，输入影像筛选模型，获得第一输出信息，所述第一输出信息包括第一结果和第二结果，所述第一结果为所述第一特征点筛选合格的结果，所述第二结果为所述第一特征点筛选不合格的结果；当所述第一输出信息为第二结果时，对所述第一特征点进行等级划分，获得所述第一特征点的第一等级信息；根据所述第一等级信息，确定第一诊断结果。
8.另一方面，本申请还提供了一种影像科肿瘤复查自动阅片管理系统，所述系统包括：第一获得单元，所述第一获得单元用于获得第一用户的第一影像的片号信息；第二获得单元，所述第二获得单元用于根据所述第一影像的片号信息，对所述第一用户的所述第一影像的片号信息进行归类，获得第一类别肿瘤信息；第三获得单元，所述第三获得单元用于通过第一阅片显示器对所述第一影像中的所述第一类别肿瘤信息进行显示，获得第一肿瘤影像信息；第四获得单元，所述第四获得单元用于获得标准影像信息；第五获得单元，所述
第五获得单元用于将所述第一肿瘤影像信息和所述标准影像信息输入影像对比模型，获得第一特征点的图像信息；第六获得单元，所述第六获得单元用于对所述第一特征点的图像信息进行特征提取，获得所述第一特征点的性质信息；第七获得单元，所述第七获得单元用于根据所述第一特征点的图像信息，获得所述第一特征点的尺寸信息；第八获得单元，所述第八获得单元用于将所述第一特征点的性质信息和所述第一特征点的尺寸信息作为输入信息，输入影像筛选模型，获得第一输出信息，所述第一输出信息包括第一结果和第二结果，所述第一结果为所述第一特征点筛选合格的结果，所述第二结果为所述第一特征点筛选不合格的结果；第九获得单元，所述第九获得单元用于当所述第一输出信息为第二结果时，对所述第一特征点进行等级划分，获得所述第一特征点的第一等级信息；第一确定单元，所述第一确定单元用于根据所述第一等级信息，确定第一诊断结果。
9.第三方面，本发明提供了一种影像科肿瘤复查自动阅片管理系统，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，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
10.本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
11.由于采用了根据所述第一影像的片号信息，对所述第一用户的所述第一影像的片号信息进行归类，获得第一类别肿瘤信息；将所述第一肿瘤影像信息和所述标准影像信息输入影像对比模型，获得第一特征点的图像信息；对所述第一特征点的图像信息进行特征提取，获得所述第一特征点的性质信息；根据所述第一特征点的图像信息，获得所述第一特征点的尺寸信息；将所述第一特征点的性质信息和所述第一特征点的尺寸信息作为输入信息，输入影像筛选模型，所述第一结果为所述第一特征点筛选合格的结果，所述第二结果为所述第一特征点筛选不合格的结果；当所述第一输出信息为第二结果时，对所述第一特征点进行等级划分，获得所述第一特征点的第一等级信息；根据所述第一等级信息，确定第一诊断结果，进而达到缩短阅片时间，提高阅片效率进而提升诊断准确率的技术效果。
12.上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
13.图1为本申请实施例一种影像科肿瘤复查自动阅片管理方法的流程示意图；
14.图2为本申请实施例一种影像科肿瘤复查自动阅片管理系统的结构示意图；
15.图3为本申请实施例示例性电子设备的结构示意图。
16.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，第六获得单元16，第七获得单元17，第八获得单元18，第九获得单元19，第一确定单元20，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
17.本申请实施例通过提供一种影像科肿瘤复查自动阅片管理方法及系统，解决了现有技术存在人工阅片工作量大、效率低，进而降低诊断准确率的技术问题，达到缩短阅片时
间，提高阅片效率进而提升诊断准确率的技术效果。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。
18.申请概述
19.影像诊断是以各种影像学手段获取的图像为基础，诊断的正确性很大程度取决于各种影像的特点，影像科集检查、诊断、治疗于一体，临床各科许多疾病都须通过影像科医师明确诊断或辅助诊断。但现有技术存在人工阅片工作量大、效率低，进而降低诊断准确率的技术问题。
20.针对上述技术问题，本申请提供的技术方案总体思路如下：
21.本申请实施例提供了一种影像科肿瘤复查自动阅片管理方法，所述方法包括：获得第一用户的第一影像的片号信息；根据所述第一影像的片号信息，对所述第一用户的所述第一影像的片号信息进行归类，获得第一类别肿瘤信息；通过所述第一阅片显示器对所述第一影像中的所述第一类别肿瘤信息进行显示，获得第一肿瘤影像信息；获得标准影像信息；将所述第一肿瘤影像信息和所述标准影像信息输入影像对比模型，获得第一特征点的图像信息；对所述第一特征点的图像信息进行特征提取，获得所述第一特征点的性质信息；根据所述第一特征点的图像信息，获得所述第一特征点的尺寸信息；将所述第一特征点的性质信息和所述第一特征点的尺寸信息作为输入信息，输入影像筛选模型，获得第一输出信息，所述第一输出信息包括第一结果和第二结果，所述第一结果为所述第一特征点筛选合格的结果，所述第二结果为所述第一特征点筛选不合格的结果；当所述第一输出信息为第二结果时，对所述第一特征点进行等级划分，获得所述第一特征点的第一等级信息；根据所述第一等级信息，确定第一诊断结果。
22.在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
23.实施例一
24.如图1所示，本申请实施例提供了一种影像科肿瘤复查自动阅片管理方法，其中，所述方法包括：
25.步骤s100：获得第一用户的第一影像的片号信息；
26.具体而言，所述第一用户为进行影像自动阅片的阅片患者对象，所述第一用户的第一影像为所述第一用户的肿瘤检查影像信息，常见影像检查包括x线、ct、磁共振、超声、核医学等，在肿瘤检查和治疗中，影像检查能够快速的扫描患者体内的情况，应用更加普及，也能够为医生提供更多的检查信息，所述第一用户的第一影像的片号信息为按照患者的影像检查项目对所述第一影像的编号信息。
27.步骤s200：根据所述第一影像的片号信息，对所述第一用户的所述第一影像的片号信息进行归类，获得第一类别肿瘤信息；
28.具体而言，所述第一类别肿瘤信息为根据所述第一影像的片号信息，对所述第一用户的所述第一影像的片号信息按照肿瘤的生长部位不同进行分类规整后所得到的患者检查的肿瘤类别信息，例如包括肠肿瘤、肝肿瘤、肺肿瘤、乳腺肿瘤、胃肿瘤、食道肿瘤、鼻咽肿瘤等。
29.步骤s300：通过所述第一阅片显示器对所述第一影像中的所述第一类别肿瘤信息
进行显示，获得第一肿瘤影像信息；
30.具体而言，所述第一肿瘤影像信息为通过所述第一阅片显示器对所述第一影像中的所述第一类别肿瘤信息进行显示后得到的肿瘤影像信息，包括肿瘤的大小、形态等信息，为后续肿瘤病灶的筛选判断奠定了基础。
31.进一步而言，其中，所述通过所述第一阅片显示器对所述第一影像中的所述第一类别肿瘤信息进行显示，获得第一肿瘤影像信息，本申请实施例步骤s300还包括：
32.步骤s310：获得第一阅片环境信息；
33.步骤s320：获得第一阅片显示光线信息；
34.步骤s330：根据所述第一阅片环境信息和所述第一阅片显示光线信息，获得第一阅片质量信息；
35.步骤s340：获得预定阅片质量阈值；
36.步骤s350：判断所述第一阅片质量信息是否满足所述预定阅片质量阈值，获得第一判断结果；
37.步骤s360：如果所述第一阅片质量信息满足所述预定阅片质量阈值，获得第一肿瘤影像信息。
38.具体而言，所述第一阅片环境信息为对所述影像进行阅片时的所处环境信息，包括环境布局、环境光线、环境噪音、环境温度与湿度等，所述第一阅片显示光线信息为所述第一阅片显示器的光线显示质量信息，如亮度、灰度、分辨率等质量信息，所述第一阅片质量信息为对所述影像进行显示时的综合显示质量信息，所述预定阅片质量阈值为预先设定的达到合格阅片质量标准时的质量范围信息，如阅片环境采用隔音和吸音材料减少噪音影响，改善通风系统降低环境温度，磁共振成像影像分辨率达到1280*1024等，所述第一判断结果为判断所述第一阅片质量信息是否满足所述预定阅片质量阈值的结果信息，如果所述第一阅片质量信息满足所述预定阅片质量阈值，获得第一肿瘤影像信息，所述第一肿瘤影像信息为当阅片质量达到标准时所述阅片显示器所显示的所述第一影像中的肿瘤信息，达到减少环境因素对影像阅片结果的影响，从而提高影像自动阅片质量的技术效果。
39.步骤s400：获得标准影像信息；
40.具体而言，所述标准影像信息为患者检查正常时的影像信息，如检查肺肿瘤项目时的标准影像信息，影像表现为肺野、肺门及肺纹理，即两侧肺野的透明度相同，肺门大小、位置和密度上无增大，肺纹理粗细、分布正常、无扭曲变形等。
41.步骤s500：将所述第一肿瘤影像信息和所述标准影像信息输入影像对比模型，获得第一特征点的图像信息；
42.进一步而言，其中，所述将所述第一肿瘤影像信息和所述标准影像信息输入影像对比模型，获得第一特征点的图像信息，本申请实施例步骤s500还包括：
43.步骤s510：将所述第一肿瘤影像信息作为第一输入信息，所述标准影像信息作为第二输入信息；
44.步骤s520：将所述第一输入信息和所述第二输入信息输入影像对比模型，其中，所述影像对比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：所述第一肿瘤影像信息、所述标准影像信息和标识所述第一特征点图像的标识信息；
45.步骤s530：获得所述影像对比模型的第一输出结果，所述第一输出结果包括所述
第一特征点的图像信息。
46.具体而言，所述第一训练模型为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，神经网络(neural networks，nn)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(artificial neural networks，ann)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据的训练，将第一输入信息和所述第二输入信息输入神经网络模型，则输出所述第一特征点的图像信息。
47.更进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据均包括所述第一肿瘤影像信息、所述标准影像信息和标识所述第一特征点图像的标识信息，将所述第一输入信息和所述第二输入信息输入到神经网络模型中，根据用来标识所述第一特征点图像的标识信息，所述神经网络模型进行不断的自我修正、调整，直至获得的第一输出结果与所述标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入信息更加准确，进而使得输出的所述第一特征点的图像信息更加合理、准确，进而达到对影像病灶特征点的诊断更加准确，进而建立更加细腻准确的影像对比模型的技术效果。
48.步骤s600：对所述第一特征点的图像信息进行特征提取，获得所述第一特征点的性质信息；
49.进一步而言，其中，所述对所述第一特征点的图像信息进行特征提取，获得所述第一特征点的性质信息，本申请实施例步骤s600还包括：
50.步骤s610：根据所述第一特征点的图像信息，获得第一特征点形态信息；
51.步骤s620：根据所述第一特征点形态信息，获得第一特征点毛刺征；
52.步骤s630：获得第一特征点密度信息；
53.步骤s640：根据所述第一特征点毛刺征和所述第一特征点密度信息，获得所述第一特征点的特征信息；
54.步骤s650：判断所述第一特征点形态信息是否有空泡征，获得第一特征结果；
55.步骤s660：根据所述第一特征点的特征信息和所述第一特征结果，获得所述第一特征点的性质信息。
56.具体而言，所述第一特征点形态信息为根据所述第一特征点的图像信息即影像病灶图像信息所得到的病灶形态信息，是指一个局限的具有病原微生物的病变组织形态，包括大小、形状等信息，如肺的某一部分被结核菌破坏，这部分就是肺结核病灶。所述第一特征点毛刺征为自结节边缘向周围伸展的、放射状的、无分支的、直而有力的细短线条影，近结节端略粗的病灶特征，如周围型肺癌的毛刺为短毛刺，而结核瘤、慢性炎症的长而稀疏毛刺称长毛刺。所述第一特征点密度信息为病灶密度信息，所述第一特征点的特征信息为影像病灶的包括毛刺征和密度的特征信息，如良性肿瘤密度均匀，为圆形或椭圆形阴影，边缘锐利，无毛刺，内可出现钙化或脂肪组织，而恶性肿瘤的密度则呈不均匀分布，为不规则形，有分叶，毛刺征形态。所述第一特征结果为判断所述第一特征点形态信息是否有空泡征的结果信息，所述空泡征为病灶内1
‑
2mm(或<5mm)的点状透亮影，单个或多个，例如空泡征常
见于早期肺癌，是早期周围型肺癌的重要征象。所述第一特征点的性质信息为通过影像判断得到的病灶性质为良性肿瘤或是恶性肿瘤的结果信息，达到通过多特征判断影像病灶性质，进而提高诊断准确率的技术效果。
57.步骤s700：根据所述第一特征点的图像信息，获得所述第一特征点的尺寸信息；
58.具体而言，所述第一特征点的尺寸信息为病灶的尺寸大小信息，如良性肿瘤病灶尺寸小于3cm，而恶性肿瘤的尺寸大小不定，举例而言，肺癌恶性肿瘤病灶大小主要代表肺癌的分期，一般3公分以内的病灶称为t1期，3到5公分的病灶称为t2期，5到7公分的病灶称为t3期，7公分以上病灶称为t4期。
59.步骤s800：将所述第一特征点的性质信息和所述第一特征点的尺寸信息作为输入信息，输入影像筛选模型，获得第一输出信息，所述第一输出信息包括第一结果和第二结果，所述第一结果为所述第一特征点筛选合格的结果，所述第二结果为所述第一特征点筛选不合格的结果；
60.进一步而言，其中，所述将所述第一特征点的性质信息和所述第一特征点的尺寸信息作为输入信息，输入影像筛选模型，获得第一输出信息，所述第一输出信息包括第一结果和第二结果，所述第一结果为所述第一特征点筛选合格的结果，所述第二结果为所述第一特征点筛选不合格的结果，本申请实施例步骤s800还包括：
61.步骤s810：将所述第一特征点的性质信息作为所述影像筛选模型的横坐标；
62.步骤s820：将所述第一特征点的尺寸信息作为所述影像筛选模型的纵坐标，构建二维直角坐标系；
63.步骤s830：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，获得所述影像筛选模型，其中，所述逻辑回归线的一侧代表所述第一结果，所述逻辑回归线的另一侧代表所述第二结果，所述第一结果为所述第一特征点筛选合格的结果，所述第二结果为所述第一特征点筛选不合格的结果。
64.具体而言，所述影像筛选模型为逻辑回归模型，所述逻辑回归模型是机器学习中的一种分类模型，将所述第一特征点的性质信息作为横坐标，所述第一特征点的尺寸信息作为纵坐标，构建坐标系，基于逻辑回归模型在所述坐标系中获得逻辑回归线，所述逻辑回归线的一侧代表所述第一结果，所述第一结果为所述第一特征点筛选合格的结果即病灶综合危险等级没有达到需要进行医学手段治疗的程度，所述逻辑回归线的另一侧代表所述第二输出结果，所述第二输出结果为所述第一特征点筛选不合格的结果，所述逻辑回归线受第一位置和第一角度控制，根据所述第一特征点的性质信息和第一特征点的尺寸信息可对所述逻辑回归线的第一位置和第一角度进行调整，进而使得所述逻辑回归线更加准确，进而使得获得的输出结果更加准确，进而达到结合病灶性质和大小因素综合分析病灶危险程度，从而提升诊断准确性的技术效果。
65.步骤s900：当所述第一输出信息为第二结果时，对所述第一特征点进行等级划分，获得所述第一特征点的第一等级信息；
66.步骤s1000：根据所述第一等级信息，确定第一诊断结果。
67.具体而言，所述第一特征点的第一等级信息为当所述第一特征点的危险程度达到需要用医学手段进行治疗时，对所述第一特征点进行等级划分，级别越高的肿瘤,其恶性程度也越高，如一级低度恶性的肺恶性肿瘤，合理的肿瘤病灶等级划分可为临床治疗和预后
估计提供参考性依据，所述第一诊断结果为根据所划分的所述第一等级信息，对所述第一用户得出的诊断结果包括病灶诊断结果和治疗信息等，如早期的低等级恶性肿瘤适合手术治疗，通过根治性的手术切除将肿瘤彻底的切除干净，治愈率非常高，治疗手段一般包括手术治疗、放疗、化疗、靶向药物治疗、内分泌治疗等，不同的肿瘤类型会根据肿瘤等级的早中晚期，制定不同的治疗方案。
68.进一步而言，其中，所述对所述第一特征点的图像信息进行特征提取，获得所述第一特征点的性质信息，本申请实施例步骤s600还包括：
69.步骤s610：获得第一阅片显示频率信息；
70.步骤s620：获得第一阅片显示亮度信息；
71.步骤s630：根据所述第一阅片显示频率信息和所述第一阅片显示亮度信息，获得第一显示质量信息；
72.步骤s640：获得第一阅片显示灰度信息；
73.步骤s650：根据所述第一显示质量信息和所述第一阅片显示灰度信息，获得第一阅片显示光线信息；
74.步骤s660：根据所述第一阅片环境信息和所述第一阅片显示光线信息，获得第一阅片质量信息。
75.具体而言，所述第一阅片显示频率信息为所述第一阅片显示器的图像扫描频次，所述显示频率越高，显示图像的画面稳定性就越好，所述第一阅片显示亮度信息为所述第一阅片显示器的显示亮度，阅片显示器的亮度必需要高，一般来说，数字化图像的显示器要求亮度至少为200cd/m2，透视或ct图像至少为100cd/m2，保证显示亮度的稳定性和影像的一致性。所述第一显示质量信息为所述第一阅片显示频率信息和所述第一阅片显示亮度信息的综合影像显示信息，所述第一阅片显示灰度信息为所述第一阅片显示器从最亮值到最黑值之间所能够显示的层次，是影像医学图像中显示患者病灶的一个重要参数，只有灰阶的层次多，才能够保证较高的读片质量，医用显示器有10bit
‑
1024灰阶，用于显示x光灰阶图像。所述第一阅片显示光线信息为所述第一显示质量信息和所述第一阅片显示灰度信息的综合影像显示光线信息，所述第一阅片质量信息为所述第一阅片环境信息和所述第一阅片显示光线信息的综合影像显示质量信息，达到减少阅片显示参数因素对影像阅片结果的影响，从而提高影像自动阅片质量和阅片效率的技术效果。
76.进一步而言，本申请实施例还包括：
77.步骤s1110：获得第一阅片记录信息，将所述第一影像的片号信息存入所述第一阅片记录信息；
78.步骤s1120：获得第二阅片记录信息，将所述第一类别肿瘤信息存入所述第二阅片记录信息；
79.步骤s1130：获得第三阅片记录信息，将所述第一特征点的性质信息存入所述第三阅片记录信息；
80.步骤s1140：获得第四阅片记录信息，将所述第一特征点的大小信息存入所述第四阅片记录信息；
81.步骤s1150：获得第五阅片记录信息，将所述第一诊断结果存入所述第五阅片记录信息；
82.步骤s1160：将所述第一阅片记录信息、所述第二阅片记录信息、所述第三阅片记录信息、所述第四阅片记录信息和所述第五阅片记录信息通过分布式存储，存储到阅片诊断记录信息中。
83.具体而言，所述第一阅片记录信息包含所述第一影像的片号信息，所述第二阅片记录信息包含所述第一类别肿瘤信息，所述第三阅片记录信息包含所述第一特征点的性质信息，所述第四阅片记录信息包含所述第一特征点的大小信息，所述第五阅片记录信息包含所述第一诊断结果，通过分布式存储集成所述第一识别信息、所述第二识别信息、所述第三识别信息、所述第四识别信息和所述第五阅片记录信息，所述分布式存储为一种数据存储技术，通过网络使用企业中的每台机器上的磁盘空间，并将这些分散的存储资源构成一个虚拟的存储设备，数据分散的存储在企业的各个角落，通过区块链的方式将信息存储到一个识别码里，达到提升溯源不可更改性和安全性的技术效果。
84.进一步而言，本申请实施例步骤s1160还包括：
85.步骤s1161：根据所述第一影像的阅片记录信息，获得第一阅片记录信息、第二阅片记录信息、直到第n阅片记录信息；
86.步骤s1162：根成据所述第一阅片记录信息生第一验证码，其中，所述第一验证码是与所述第一识别信息一一对应的；
87.步骤s1163：根据所述第二阅片记录信息和第一验证码生成第二验证码；以此类推，根据所述第n阅片记录信息和第n
‑
1验证码生成第n验证码，其中，n为大于1的自然数；
88.步骤s1164：将所有阅片记录信息和验证码分别复制保存在m台设备上，其中，m为大于1的自然数。
89.具体而言，区块链存储是对所述第一影像的每个阅片记录信息分别对应一个验证码，其中，根据所述第一阅片记录信息生成第一验证码，所述第一验证码是与所述第一识别信息一一对应的；据第二阅片记录信息和第一验证码生成第二验证码；以此类推，所述第n阅片记录信息和第n
‑
1验证码生成第n验证码，其中，n为大于1的自然数。将所有阅片记录信息和验证码分别复制保存在m台设备上，其中，m为大于1的自然数。所述第一阅片记录信息和第一验证码作为第一存储单位保存在一台设备上，所述第二阅片记录信息和第二验证码作为第二存储单位保存在一台设备上
···
所述第n阅片记录信息和所述第n验证码作为第m存储单位保存在一台设备上，当需要调用所述第一影像的阅片记录信息时，每后一个节点接收前一节点存储的数据后，通过“共识机制”进行校验后保存，通过哈希函数对于每一存储单位进行串接，使得所述训练数据不易丢失和遭到破坏，区块链技术也被称之为分布式账本技术，是一种由若干台计算设备共同参与“记账"，共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性，使得区块链技术已在众多的领域中广泛的进行应用。通过区块链的逻辑对所述训练数据进行加密处理，保证了所述训练数据的安全性，并存储于多台设备上，所述存储于多台设备上的数据通过共识机制进行处理，即少数服从多数。当一台或多台设备被篡改时，只要存储正确数据的设备数量大于被篡改的设备数量，则获得的影像的阅片记录信息结果仍然是正确的，因此能够保证获得精确可靠的数据，进而有效保证输出的阅片记录信息的准确性，达到了对影像阅片结果分析更加准确严谨，进而提高诊断准确率的技术效果。
90.综上所述，本申请实施例所提供的一种影像科肿瘤复查自动阅片管理方法及系统具有如下技术效果：
91.1、由于采用了根据所述第一影像的片号信息，对所述第一用户的所述第一影像的片号信息进行归类，获得第一类别肿瘤信息；将所述第一肿瘤影像信息和所述标准影像信息输入影像对比模型，获得第一特征点的图像信息；对所述第一特征点的图像信息进行特征提取，获得所述第一特征点的性质信息；根据所述第一特征点的图像信息，获得所述第一特征点的尺寸信息；将所述第一特征点的性质信息和所述第一特征点的尺寸信息作为输入信息，输入影像筛选模型，所述第一结果为所述第一特征点筛选合格的结果，所述第二结果为所述第一特征点筛选不合格的结果；当所述第一输出信息为第二结果时，对所述第一特征点进行等级划分，获得所述第一特征点的第一等级信息；根据所述第一等级信息，确定第一诊断结果，进而达到缩短阅片时间，提高阅片效率进而提升诊断准确率的技术效果。
92.2、由于采用了将所述第一肿瘤影像信息和所述标准影像信息输入神经网络模型的方式，进而使得输出的所述第一特征点的图像信息更加合理、准确，进而达到对影像病灶特征点的诊断更加准确，进而建立更加细腻准确的影像对比模型的技术效果。
93.3、由于采用了减少环境因素和阅片显示参数因素对影像阅片结果的影响，达到提高影像自动阅片质量和阅片效率的技术效果，通过多特征判断影像病灶性质，并结合病灶性质和大小因素综合分析病灶危险程度，进而达到提高诊断准确率的技术效果。
94.实施例二
95.基于与前述实施例中一种影像科肿瘤复查自动阅片管理方法同样发明构思，本发明还提供了一种影像科肿瘤复查自动阅片管理系统，如图2所示，所述系统包括：
96.第一获得单元11，所述第一获得单元11用于获得第一用户的第一影像的片号信息；
97.第二获得单元12，所述第二获得单元12用于根据所述第一影像的片号信息，对所述第一用户的所述第一影像的片号信息进行归类，获得第一类别肿瘤信息；
98.第三获得单元13，所述第三获得单元13用于通过第一阅片显示器对所述第一影像中的所述第一类别肿瘤信息进行显示，获得第一肿瘤影像信息；
99.第四获得单元14，所述第四获得单元14用于获得标准影像信息；
100.第五获得单元15，所述第五获得单元15用于将所述第一肿瘤影像信息和所述标准影像信息输入影像对比模型，获得第一特征点的图像信息；
101.第六获得单元16，所述第六获得单元16用于对所述第一特征点的图像信息进行特征提取，获得所述第一特征点的性质信息；
102.第七获得单元17，所述第七获得单元17用于根据所述第一特征点的图像信息，获得所述第一特征点的尺寸信息；
103.第八获得单元18，所述第八获得单元18用于将所述第一特征点的性质信息和所述第一特征点的尺寸信息作为输入信息，输入影像筛选模型，获得第一输出信息，所述第一输出信息包括第一结果和第二结果，所述第一结果为所述第一特征点筛选合格的结果，所述第二结果为所述第一特征点筛选不合格的结果；
104.第九获得单元19，所述第九获得单元19用于当所述第一输出信息为第二结果时，对所述第一特征点进行等级划分，获得所述第一特征点的第一等级信息；
105.第一确定单元20，所述第一确定单元20用于根据所述第一等级信息，确定第一诊断结果。
106.进一步的，所述系统还包括：
107.第十获得单元，所述第十获得单元用于获得第一阅片环境信息；
108.第十一获得单元，所述第十一获得单元用于获得第一阅片显示光线信息；
109.第十二获得单元，所述第十二获得单元用于根据所述第一阅片环境信息和所述第一阅片显示光线信息，获得第一阅片质量信息；
110.第十三获得单元，所述第十三获得单元用于获得预定阅片质量阈值；
111.第一判断单元，所述第一判断单元用于判断所述第一阅片质量信息是否满足所述预定阅片质量阈值，获得第一判断结果；
112.第十四获得单元，所述第十四获得单元用于如果所述第一阅片质量信息满足所述预定阅片质量阈值，获得第一肿瘤影像信息。
113.进一步的，所述系统还包括：
114.第十五获得单元，所述第十五获得单元用于获得第一阅片显示频率信息；
115.第十六获得单元，所述第十六获得单元用于获得第一阅片显示亮度信息；
116.第十七获得单元，所述第十七获得单元用于根据所述第一阅片显示频率信息和所述第一阅片显示亮度信息，获得第一显示质量信息；
117.第十八获得单元，所述第十八获得单元用于获得第一阅片显示灰度信息；
118.第十九获得单元，所述第十九获得单元用于根据所述第一显示质量信息和所述第一阅片显示灰度信息，获得第一阅片显示光线信息；
119.第二十获得单元，所述第二十获得单元用于根据所述第一阅片环境信息和所述第一阅片显示光线信息，获得第一阅片质量信息。
120.进一步的，所述系统还包括：
121.第一作为单元，所述第一作为单元用于将所述第一肿瘤影像信息作为第一输入信息，所述标准影像信息作为第二输入信息；
122.第一输入单元，所述第一输入单元用于将所述第一输入信息和所述第二输入信息输入影像对比模型，其中，所述影像对比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：所述第一肿瘤影像信息、所述标准影像信息和标识所述第一特征点图像的标识信息；
123.第二十一获得单元，所述第二十一获得单元用于获得所述影像对比模型的第一输出结果，所述第一输出结果包括所述第一特征点的图像信息。
124.进一步的，所述系统还包括：
125.第二十二获得单元，所述第二十二获得单元用于根据所述第一特征点的图像信息，获得第一特征点形态信息；
126.第二十三获得单元，所述第二十三获得单元用于根据所述第一特征点形态信息，获得第一特征点毛刺征；
127.第二十四获得单元，所述第二十四获得单元用于获得第一特征点密度信息；
128.第二十五获得单元，所述第二十五获得单元用于根据所述第一特征点毛刺征和所述第一特征点密度信息，获得所述第一特征点的特征信息；
129.第二判断单元，所述第二判断单元用于判断所述第一特征点形态信息是否有空泡征，获得第一特征结果；
130.第二十六获得单元，所述第二十六获得单元用于根据所述第一特征点的特征信息和所述第一特征结果，获得所述第一特征点的性质信息。
131.进一步的，所述系统还包括：
132.第二作为单元，所述第二作为单元用于将所述第一特征点的性质信息作为所述影像筛选模型的横坐标；
133.第一构建单元，所述第一构建单元用于将所述第一特征点的尺寸信息作为所述影像筛选模型的纵坐标，构建二维直角坐标系；
134.第二十七获得单元，所述第二十五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，获得所述影像筛选模型，其中，所述逻辑回归线的一侧代表所述第一结果，所述逻辑回归线的另一侧代表所述第二结果，所述第一结果为所述第一特征点筛选合格的结果，所述第二结果为所述第一特征点筛选不合格的结果。
135.进一步的，所述系统还包括：
136.第二十八获得单元，所述第二十六获得单元用于获得第一阅片记录信息，将所述第一影像的片号信息存入所述第一阅片记录信息；
137.第二十九获得单元，所述第二十九获得单元用于获得第二阅片记录信息，将所述第一类别肿瘤信息存入所述第二阅片记录信息；
138.第三十获得单元，所述第三十获得单元用于获得第三阅片记录信息，将所述第一特征点的性质信息存入所述第三阅片记录信息；
139.第三十一获得单元，所述第三十一获得单元用于获得第四阅片记录信息，将所述第一特征点的大小信息存入所述第四阅片记录信息；
140.第三十二获得单元，所述第三十二获得单元用于获得第五阅片记录信息，将所述第一诊断结果存入所述第五阅片记录信息；
141.第一存储单元，所述第一存储单元用于将所述第一阅片记录信息、所述第二阅片记录信息、所述第三阅片记录信息、所述第四阅片记录信息和所述第五阅片记录信息通过分布式存储，存储到阅片诊断记录信息中。
142.前述图1实施例一中的一种影像科肿瘤复查自动阅片管理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影像科肿瘤复查自动阅片管理系统，通过前述对一种影像科肿瘤复查自动阅片管理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种影像科肿瘤复查自动阅片管理系统的实施方法，所以为了说明书的简洁，在此不再详述。
143.示例性电子设备
144.下面参考图3来描述本申请实施例的电子设备。
145.图3图示了根据本申请实施例的电子设备的结构示意图。
146.基于与前述实施例中一种影像科肿瘤复查自动阅片管理方法的发明构思，本发明还提供一种影像科肿瘤复查自动阅片管理系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种影像科肿瘤复查自动阅片管理方法的任一方法的步骤。
147.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还可以将诸如外围设备、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306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系统通信的单元。
148.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。
149.本发明实施例提供的一种影像科肿瘤复查自动阅片管理方法，所述方法包括：获得第一用户的第一影像的片号信息；根据所述第一影像的片号信息，对所述第一用户的所述第一影像的片号信息进行归类，获得第一类别肿瘤信息；通过所述第一阅片显示器对所述第一影像中的所述第一类别肿瘤信息进行显示，获得第一肿瘤影像信息；获得标准影像信息；将所述第一肿瘤影像信息和所述标准影像信息输入影像对比模型，获得第一特征点的图像信息；对所述第一特征点的图像信息进行特征提取，获得所述第一特征点的性质信息；根据所述第一特征点的图像信息，获得所述第一特征点的尺寸信息；将所述第一特征点的性质信息和所述第一特征点的尺寸信息作为输入信息，输入影像筛选模型，获得第一输出信息，所述第一输出信息包括第一结果和第二结果，所述第一结果为所述第一特征点筛选合格的结果，所述第二结果为所述第一特征点筛选不合格的结果；当所述第一输出信息为第二结果时，对所述第一特征点进行等级划分，获得所述第一特征点的第一等级信息；根据所述第一等级信息，确定第一诊断结果。解决了现有技术存在人工阅片工作量大、效率低，进而降低诊断准确率的技术问题，达到缩短阅片时间，提高阅片效率进而提升诊断准确率的技术效果。
150.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、系统、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。
151.本发明是参照根据本发明实施例的方法、设备(系统)、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系统。
152.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系统的制造品，该指令系统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。
153.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。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
154.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。