一种提高骨科诊断决策效率的辅助系统及方法与流程

1.本发明涉及人工智能相关技术领域，具体涉及一种提高骨科诊断决策效率的辅助系统及方法。
2.

背景技术：

3.由于骨科的诊断需要依靠医学图像的阅读，al在骨科中的应用则主要集中在对这些图像的深度学习上。深度学习可以自主分析医学图像，从而提高诊断的准确性和速度，优先标记紧急患者，减少由于疲劳和/或缺乏经验而造成的人为错误，减轻工作人员的负担和压力，并一定程度上改善骨科的诊治。此外，根据有经验医生的专业知识进行的深度学习方法培训，可以将这些经验分享到较小的医疗机构和较偏远的地区，ai在骨科诊断中的应用研究具备良好的发展前景。
4.目前的在骨科影像资料中，主要针对的问题包括骨折，脊柱退变、畸形，关节疾患等，这些疾病的一致性是骨科病发处的特征信息比较明显，容易标识进行深度学习。
5.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：现有技术中由于只能针对特征点较明显的骨科疾病辅助诊断，导致存在适用范围较小的技术问题。
6.

技术实现要素：

7.本申请实施例通过提供了一种骨科植入物的智能管理方法及系统，解决了现有技术中由于只能针对特征点较明显的骨科疾病辅助诊断，导致存在适用范围较小的技术问题。达到了通过结合患者病情基本信息，在对患者检查影像进行特征识别的基础上，再进行三维建模提取特征信息，获取更全面的特征数据，进而通过智能化模型分析得到骨科患者的病情评估，因为多次的特征提取可以更全面的提取特征，再加上智能化模型的分析，提高了决策效率，得到了适用性范围较大的提高骨科诊断决策效率的辅助技术的技术效果。
8.鉴于上述问题，本申请实施例提供了一种提高骨科诊断决策效率的辅助系统及方法。
9.第一方面，本申请实施例提供了一种提高骨科诊断决策效率的辅助系统，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患者的病情信息，所述病情信息包括检查影像信息；第二获得单元，所述第二获得单元用于根据所述检查影像信息，获得第一疾病特征信息集，所述第一疾病特征信息集包括第一关键点信息集和第二关键点信息集；第一构建单元，所述第一构建单元用于根据所述第一疾病信息集，构建第一结构三维模型图；第三获得单元，所述第三获得单元用于根据所述第一结构三维模型图，获得第一修正参数；第四获得单元，所述第四获得单元用于根据所述第一修正参数修正所述第一关键点信
息集和所述第二关键点信息集，获得第三关键点信息集和第四关键点信息集；第五获得单元，所述第五获得单元用于将所述第三关键点信息集和所述第四关键点信息集输入骨科诊断评估模型，获得第一评估结果；第六获得单元，所述第六获得单元用于将所述第一评估结果发送至专家平台，根据专家的参考意见获得第二评估结果。
10.另一方面，本申请实施例提供了一种提高骨科诊断决策效率的辅助方法，所述方法包括：获得第一患者的病情信息，所述病情信息包括检查影像信息；根据所述检查影像信息，获得第一疾病特征信息集，所述第一疾病特征信息集包括第一关键点信息集和第二关键点信息集；根据所述第一疾病信息集，构建第一结构三维模型图；根据所述第一结构三维模型图，获得第一修正参数；根据所述第一修正参数修正所述第一关键点信息集和所述第二关键点信息集，得到第三关键点信息集和第四关键点信息集；将所述第三关键点信息集和所述第四关键点信息集输入骨科诊断评估模型，获得第一评估结果；将所述第一评估结果发送至专家平台，根据专家的参考意见获得第二评估结果。
11.第三方面，本申请实施例提供了一种提高骨科诊断决策效率的辅助系统，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任一项所述系统的步骤。
12.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：由于采用了获得第一患者的病情信息，所述病情信息包括检查影像信息；根据所述检查影像信息，获得第一疾病特征信息集，所述第一疾病特征信息集包括第一关键点信息集和第二关键点信息集；根据所述第一疾病信息集，构建第一结构三维模型图；根据所述第一结构三维模型图，获得第一修正参数；根据所述第一修正参数修正所述第一关键点信息集和所述第二关键点信息集，得到第三关键点信息集和第四关键点信息集；将所述第三关键点信息集和所述第四关键点信息集输入骨科诊断评估模型，获得第一评估结果；将所述第一评估结果发送至专家平台，根据专家的参考意见获得第二评估结果的技术方案，达到了通过结合患者病情基本信息，在对患者检查影像进行特征识别的基础上，再进行三维建模提取特征信息，获取更全面的特征数据，进而通过智能化模型分析得到骨科患者的病情评估，因为多次的特征提取可以更全面的提取特征，再加上智能化模型的分析，提高了决策效率，得到了适用性范围较大的提高骨科诊断决策效率的辅助技术的技术效果。
13.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。
14.附图说明
15.图1为本申请实施例一种提高骨科诊断决策效率的辅助方法流程示意图；图2为本申请实施例基于所述根据所述检查影像信息，获得第一疾病特征信息集，所述第一疾病特征信息集包括第一关键点信息集和第二关键点信息集的方法流程示意图；图3为本申请实施例基于所述根据所述第一疾病特征信息集，构建第一结构三维模型图的方法流程示意图；图4为本申请实施例另一种提高骨科诊断决策效率的辅助方法流程示意图；
图5为本申请实施例一种提高骨科诊断决策效率的辅助系统结构示意图；图6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，第一构建单元13，第三获得单元14，第四获得单元15，第五获得单元16，第六获得单元17，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
17.具体实施方式
18.本申请实施例通过提供了一种骨科植入物的智能管理方法及系统，解决了现有技术中由于只能针对特征点较明显的骨科疾病辅助诊断，导致存在适用范围较小的技术问题。达到了通过结合患者病情基本信息，在对患者检查影像进行特征识别的基础上，再进行三维建模提取特征信息，获取更全面的特征数据，进而通过智能化模型分析得到骨科患者的病情评估，因为多次的特征提取可以更全面的提取特征，再加上智能化模型的分析，提高了决策效率，得到了适用性范围较大的提高骨科诊断决策效率的辅助技术的技术效果。
19.申请概述由于骨科的诊断需要依靠医学图像的阅读，al在骨科中的应用则主要集中在对这些图像的深度学习上。深度学习可以自主分析医学图像，从而提高诊断的准确性和速度，优先标记紧急患者，减少由于疲劳和/或缺乏经验而造成的人为错误，减轻工作人员的负担和压力，并一定程度上改善骨科的诊治。此外，根据有经验医生的专业知识进行的深度学习方法培训，可以将这些经验分享到较小的医疗机构和较偏远的地区，ai在骨科诊断中的应用研究具备良好的发展前景，目前的在骨科影像资料中，主要针对的问题包括骨折，脊柱退变、畸形，关节疾患等，这些疾病的一致性是骨科病发处的特征信息比较明显，容易标识进行深度学习。但现有技术中由于只能针对特征点较明显的骨科疾病辅助诊断，导致存在适用范围较小的技术问题。
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：本申请实施例提供了一种提高骨科诊断决策效率的辅助方法，所述方法包括：获得第一患者的病情信息，所述病情信息包括检查影像信息；根据所述检查影像信息，获得第一疾病特征信息集，所述第一疾病特征信息集包括第一关键点信息集和第二关键点信息集；根据所述第一疾病信息集，构建第一结构三维模型图；根据所述第一结构三维模型图，获得第一修正参数；根据所述第一修正参数修正所述第一关键点信息集和所述第二关键点信息集，得到第三关键点信息集和第四关键点信息集；将所述第三关键点信息集和所述第四关键点信息集输入骨科诊断评估模型，获得第一评估结果；将所述第一评估结果发送至专家平台，根据专家的参考意见获得第二评估结果。
21.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。
22.实施例一如图1所示，本申请实施例提供了一种提高骨科诊断决策效率的辅助方法，所述方法包括：s100：获得第一患者的病情信息，所述病情信息包括检查影像信息；
具体而言，所述第一患者的病情信息指的是患者有骨科疾病的患者的病情状况，其中所述第一患者的疾病包括骨折、脊椎退变、畸形，关节疾患等特征明显的骨科疾病，也包括腰椎、肌腱损伤等特征不明显的骨科疾病。所述病情信息包括患者的年龄、性别、相关过往病史、过往检查影像信息、此次检查影像信息等数据。通过所述第一患者的疾病的骨科疾病发病部位，可将其对应的所述病情信息分类存储，例如分为关节病和脊柱类疾病两大类，优选的存储在云数据库，云数据库是虚拟数据库，它是一种稳定可靠、可弹性伸缩的在线数据库。通过调用并存储所述第一患者的病情信息，为后续诊断提供信息基础。
23.s200：根据所述检查影像信息，获得第一疾病特征信息集，所述第一疾病特征信息集包括第一关键点信息集和第二关键点信息集；具体而言，所述第一疾病特征信息集指的是对所述第一患者的所述检查影像信息进行图像识别，提取发病部位的特征信息，优选的实现方式可通过基于卷积神经网络训练的特征提取模型进行特征提取，卷积可以作为在机器学习中的特征提取器，从而使得提取到的特征信息具有集中性和代表性，进而获得所述检查影像信息的卷积特征，卷积神经网络是神经网络的一种，对于特征提取尤其是图像特征提取有着优异的识别功能。所述第一关键点信息集指的是所述第一患者发病异常区域的位置和形状等异常区域内部的信息、所述第二关键点信息集指的是所述第一患者发病异常区域的附近区域异常信息。通过所述第一病特征信息集可以初步表征所述第一患者的骨科疾病的较明显的特征信息。
24.s300：根据所述第一疾病特征信息集，构建第一结构三维模型图；s400：根据所述第一结构三维模型图，获得第一修正参数；具体而言，所述第一结构三维模型图指的是基于所述第一疾病特征信息集结合所述第一患者的体内环境实际场景得到的三维模型图，所述第一结构三维模型图是通过所述第一疾病特征信息构建大体的三维框架，再依据所述第一患者体内场景进行还原得到的，其可以较真实的反映所述第一患者的病情状况。此外，在所述第一患者做手术时，则可以将所述第一结构三维模型打印出来，提高手术成功率。
25.进一步的，所述第一修正参数指的是通过对所述第一结构三维模型图再次进行特征提取，得到的更加细节的和所述第一患者的骨科疾病相关的特征信息。所述第一修正参数表征着所述第一疾病特征信息集中没有的特征信息，通过所述第一结构三维模型图可以实现在体外提取不明显的特征信息，达到了提取特征信息更全面的技术效果。
26.s500：根据所述第一修正参数修正所述第一关键点信息集和所述第二关键点信息集，获得第三关键点信息集和第四关键点信息集；具体而言，基于所述第一修正参数中对于所述第一患者发病异常区域的位置和形状等异常区域内部的信息更加细节的特征提取，修正所述第一关键点信息集得到所述第三关键点信息集；基于所述第一修正参数中对于所述第一患者发病异常区域的附近区域异常信息更加细节的特征提取，修正所述第二关键点信息集得到所述第四关键点信息集。所述第三关键点信息集和所述第四关键点信息集全面的表征了所述第一患者的骨科疾病状况信息。
27.s600：将所述第三关键点信息集和所述第四关键点信息集输入骨科诊断评估模型，获得第一评估结果；具体而言，所述第一评估结果信息是将所述第三关键点信息集和所述第四关键点
信息集输入所述骨科诊断评估模型智能化分析得到的对所述第一患者骨科疾病的诊断结果，所述骨科诊断评估模型是以神经网络模型为基础建立，具有神经网络模型的特性，其中，人工神经网络是在现代神经科学的基础上提出和发展起来的，旨在反映人脑结构及功能的一种抽象数学模型，神经网络是一种运算模型，由大量的节点（或称神经元）之间相互连接构成，每个节点代表一种特定的输出函数称为激励函数，每两个节点之间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆，网络的输出则依照网络的连接方式，是对一种逻辑策略的表达，基于神经网络模型建立的所述骨科诊断评估模型能够输出准确的所述第一评估结果信息，从而具备了较强的分析计算能力，达到了准确而高效的技术效果。
28.s700：将所述第一评估结果发送至专家平台，根据专家的参考意见获得第二评估结果。
29.具体而言，所述第一评估结果为通过所述骨科诊断评估模型而得到的智能评估结果。进一步的，将所述第一评估结果发送至专家平台，由以所述第一患者的主治医生为主的专家对所述第一评估结果进行评估修正，从而得到对所述第一患者的骨科疾病诊断结果，即所述第二评估结果。所述第一评估结果为所述骨科诊断评估模型给出，效率较高，而所述第一患者的主治医生只需要对所述第一评估结果进行确认和稍作修改，即可得到所述第二评估结果，达到了提高了对所述第一患者的骨科诊断决策效率的技术效果。
30.进一步的，基于所述根据所述检查影像信息，获得第一疾病特征信息集，所述第一疾病特征信息集包括第一关键点信息集和第二关键点信息集，如图2所示，所述方法步骤s200还包括：s210：根据所述检查影像信息构建第一检查影像数据库，获得第一影像集；s220：基于所述第一检查影像数据库，获得目标卷积特征；s230：根据所述目标卷积特征，对所述第一影像集进行遍历的卷积运算，获得第一卷积结果；s240：根据所述第一卷积结果，获得所述第一疾病特征信息集，其中，所述第一疾病特征信息集与所述第一影像集具有第一映射关系；s250：基于所述第一映射关系，根据所述第一疾病特征信息集和所述第一影像集，获得所述第一关键点信息集和所述第二关键点信息集。
31.具体而言，所述第一检查影像数据库指的是将所述第一患者的所述检查影像信息分类存储，优选的以时间要素为第一优先级，以位置要素为第二优先级分类存储构建的数据库。其中，所述检查影像信息包括所述第一患者骨科疾病的历史检查影像信息和本次检查影像信息。所述第一影像集指的是按照分类从所述第一检查影像数据库检索而出的所述第一患者的影像集合，例如，以位置要素依次从上到下调出所述第一影像集，得到的信息更易进行管理和运算。
32.进一步的，所述目标卷积特征指的是对所述第一检查影像数据库中的检查影像进行卷积特提取得到的结果，如上述所述，卷积特征可选用基于卷积神经网络训练的卷积特征提取模型提取，得到所述目标卷积特征信息更加准确。
33.更进一步的，将所述第一影像集基于所述目标卷积特征，对其做遍历的卷积运算，计算所述目标卷积特征在所述第一影像集各个影像信息中的分布概率，当所述目标卷积特
征的分布概率达到预设的阈值时，就可以将所述目标卷积特征作为对应所述第一影像集的所述第一卷积结果。其中阈值的设定根据实际情况而定，在此不做限定。
34.更进一步的，将所述第一影响集和其对应的所述第一卷积结果存储，得到所述第一疾病特征信息集；所述第一映射关系指的是所述第一疾病特征信息集与所述第一影像集的特征映射图，优选的实现方式为将所述第一影像集和所述第一疾病特征信息集组成的特征矩阵相乘即可得到，所述第一映射关系可表征出所述第一影像集中发病各区域对应的所有所述第一疾病特征信息集。更进一步的，基于所述第一映射关系将所述第一疾病特征信息集进行整理，得到表征所述第一患者发病异常区域的位置和形状等异常区域内部的信息的所述第一关键点信息集和表征所述第一患者发病异常区域的附近区域异常信息的所述第二关键点信息集。通过构建所述第一检查影像数据库将所述检查影像信息分类存储管理，再利用卷积运算进行特征提取，在将所述检查影像信息降维的同时，也归类出所述第一关键点信息集和所述第二关键点信息集表征所述第一患者的骨科疾病状况，使得信息结了无序化和冗杂性，达到了提高决策效率的技术效果。
35.进一步的，基于所述根据所述第一疾病特征信息集，构建第一结构三维模型图，如图3所示，所述方法s300还包括：s310：构建图像三维建模系统；s320：根据所述第一疾病特征信息集，获得第一稀疏矩阵；s330：根据所述第一稀疏矩阵，获得第一稀疏点集合；s340：将所述第一稀疏点集合输入所述图像三维建模系统，获得第一近似三维模型；s350：根据所述检查影像信息，生成第一初始点云；s360：对所述第一初始点云进行点云扩散，获得第一扩散结果；s370：根据所述第一扩散结果，获得第一稠密点集合；s380：将所述第一稠密点集合和所述第一近似三维模型输入所述图像三维建模系统，获得所述第一结构三维模型图。
36.具体而言，所述图像三维建模系统指的是基于图像可全自动进行三维建模的智能化模型，其通过在所述第一疾病特征信息集检测特征点，对特征点进行匹配，得到能够大体表征所述第一患者发病位置疾病信息的所述第一稀疏矩阵。进一步的，基于各个特征点的位置信息和尺寸信息从所述第一稀疏矩阵中提取出所述第一稀疏点集合，所述第一稀疏点集合表示将各个特征点进行稀疏分解，得到一个个基本尺寸单位相同的但结果不同的稀疏向量。更进一步的，基于所述第一稀疏点集合，将其输入所述图像三维建模系统，将一个个稀疏向量依据结果重新搭建，构成能够表征各特征点的所述第一近似三维模型。
37.更进一步的，所述第一初始点云指的是基于所述检查影像信息，优选的结合所述第一患者的骨科疾病状况以及骨科疾病发病部位的形貌，对比类似人体的形貌，推理演变得到较符合所述第一患者实际情况的推理图像特征点集合，其表征推理得到特征点的位置信息和尺寸信息。所述点云扩散指的是基于所述第一初始点云通过结合所述第一患者的骨科疾病状况，逐渐增加直到可以表征出所述第一患者的发病位置的形貌信息时停止，得到结果为所述第一扩散结果。所述第一稠密点集合指的是扩散之后的覆盖全面的点云信息。再将所述第一稠密点集合和所述第一近似三维模型输入所述图像三维建模系统，得到所述
第一结构三维模型图。基于所述第一疾病特征信息集构建的所述第一近似三维模型可以表征所述第一患者较明显的特征信息，再通过推理得到所述第一初始点云结合所述第一近似三维模型构建的所述第一结构三维模型图，可以表征所述第一患者较明显和不明显的特征信息，使得骨科辅助决策适用范围更广。
38.更进一步的，基于所述根据所述检查影像信息，生成第一初始点云，所述方法步骤s350还包括：s351：根据所述检查影像信息集，获得第一噪声集合；s352：对所述第一噪声集合进行聚类分析，获得第一分类结果；s353：根据所述第一分类结果，构建第一函数，所述第一函数反映所述检查影像信息和所述第一噪声集合之间关联性；s354：构建第一图像去噪模型；s355：将所述第一检查影像信息集和所述第一函数输入所述第一图像去噪模型，获得第一去噪图像集；s356：根据所述第一去噪图像集，生成所述第一初始点云。
39.具体而言，因为原始的所述检查影像信息较冗杂且干扰信息太多，所以为了能够保证信息处理的高效性和准确性，需要对原始的所述检查影像信息进行去噪处理，通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息。所述第一噪声集合指的是会妨碍对所接收的信源信息理解的因素信息集，举不设限的一例如观测所述第一患者骨科疾病某位置的需要的亮度分布为f，而造成无法正常观测的亮度分布为t，则t则为噪声。进一步的，因为不同的图像噪声去除方式不同，所以需要将所述第一噪声集合进行聚类，举不设限制的一类分为量化噪声(数字图像和原始图像的差异）、乘性噪声(扫描图像时造成的误差)、变换误差噪声（图像变换造成的误差)等类别，所得结果即为所述第一分类结果。进一步的，根据所述第一分类结果中各类噪声所述检查影像信息的关联性，例如乘性噪声中扫描次数和时间对于所述检查影像信息缺失程度关系。通过记录多组数据，统计得到结果，构建所述第一函数。所述第一图像去噪模型指的是基于所述第一函数，对所述第一检查影像信息集进行去噪处理的模型，可自己依据算法训练较适用所述第一患者的去噪模型，若信息不够也可选用已有模型。所述第一去噪图像集指的是经过去噪处理后的更高质量的图像集合，既可表征所述第一患者的骨科疾病信息，又几乎无其他图像噪声干扰，更利于特征提取。
40.进一步的，如图4所示，所述方法还包括步骤s800：s810：根据所述第一患者的疾病信息，基于大数据，构建第一相似历史疾病信息数据库；s820：根据所述第一相似历史疾病信息数据库，获得第二疾病特征信息集；s830：根据所述第二疾病特征信息集，获得第一历史诊断结果；s840：根据所述第一历史诊断结果，调整所述第二评估结果，获得第三评估结果。
41.具体而言，所述第一相似历史疾病信息数据库指的是以所述第一患者的疾病信息为索引，在大数据中筛选和所述第一患者类似或者相同的疾病信息，并进行存储管理；所述
第二疾病特征信息集指的是基于所述第一相似历史疾病信息数据库中历史患者的检查影像信息，并获得当时评估的疾病特征信息集。进一步的，根据所述第二疾病特征信息集得到对应的所述第一历史诊断结果。所述第三评估结果指的是基于所述第一历史诊断结果信息，对所述第二评估结果做出适当调整后得到的结果。实现方式举不设限制的一例，预设一个需调整区间，若是所述第一历史诊断结果在区间之内，则进行调整，若是在区间之外，则不进行调整。在原本基于两次特征提取得到的第二评估结果的基础上，通过引入历史患者的数据，提高了诊断的准确性，更有利于将是所述第一患者的特征信息全面化，得到更加准确的评估结果。
42.更进一步的，基于所述根据所述第二疾病特征信息集，获得第一历史诊断结果，所述方法步骤s830还包括：s831：获得第一特征信息预设阈值；s832：将所述第一疾病特征信息集和所述第二疾病特征信息集进行比对，获得第一比对结果，所述第一比对结果包括相似特征信息数量；s833：判断所述相似特征信息数量是否在所述第一特征信息预设阈值之内；s834：若所述相似特征信息数量在所述第一特征信息预设阈值之内，获得对应的所述第一历史诊断结果。
43.具体而言，所述第一特征信息预设阈值指的是对所述第一疾病特征信息选用设置的阈值，例如设置特征数量阈值，将所述第一疾病特征信息集和所述第二疾病特征信息集进行比对，设置计数器初始值k=0，当所述第一疾病特征信息集和所述第二疾病特征信息集有一个相同特征时，则对k执行加一操作，每一组所述第一疾病特征信息和所述第二疾病特征信息比对结束时计数停止并将计数和对应的所述第二疾病特征信息一一对应的存储，存储完成后，置k=0，比对下一组，直到所述第一疾病特征信息集和所述第二疾病特征信息集比对结束时停止。更进一步的，将每一组的k值和所述第一特征信息预设阈值比较，将符合所述第一特征信息预设阈值的所述第二疾病特征信息集留下并获取对应的所述第一历史诊断结果，其他的删减。通过对所述第二疾病特征信息的筛检，在降低数据冗杂性的同时，提高了评估结果的准确性。
44.进一步的，基于所述将所述第三关键点信息集和所述第四关键点信息集输入骨科诊断评估模型，获得第一评估结果，步骤s600还包括：s610：将所述第三关键点信息集和所述第四关键点信息集输入所述骨科诊断评估模型，所述骨科诊断评估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一组训练数据均包括：所述第三关键点信息集、所述第四关键点信息集和用来标识所述第一评估结果的标识信息；s620：获得所述骨科诊断评估模型的第一输出结果，其中，所述第一输出结果为对于所述第一患者的疾病信息的所述第一评估结果。
45.具体而言，所述骨科诊断评估模型也为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，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。其中，它能根据训练数据进行不断的自我训练学习，所述多组中的训练数据中的每一组训练数据均包括：所述第三关键点信息集、所述第四关键点信息集和用来标识所述第一评估结果的标识信息。所述骨科诊断评估模型不断地自我的修正，当所述骨科诊断
评估模型的输出信息达到预定的准确率/收敛状态时，则有监督学习过程结束。通过对所述骨科诊断评估模型进行数据训练，使得所述骨科诊断评估模型处理输入数据更加准确，进而使得输出的所述第一评估结果信息也更加准确，达到了准确获得数据信息，提高评估结果智能化的技术效果。
46.综上所述，本申请实施例所提供的一种提高骨科诊断决策效率的辅助系统及方法具有如下技术效果：1、达到了通过结合患者病情基本信息，在对患者检查影像进行特征识别的基础上，再进行三维建模提取特征信息，获取更全面的特征数据，进而通过智能化模型分析得到骨科患者的病情评估，因为多次的特征提取可以更全面的提取特征，再加上智能化模型的分析，提高了决策效率，得到了适用性范围较大的提高骨科诊断决策效率的辅助技术的技术效果。
47.2、在原本基于两次特征提取得到的第二评估结果的基础上，通过引入历史患者的数据，提高了诊断的准确性，更有利于将是所述第一患者的特征信息全面化，得到更加准确的评估结果。
48.3、基于所述第一疾病特征信息集构建的所述第一近似三维模型可以表征所述第一患者较明显的特征信息，再通过推理得到所述第一初始点云结合所述第一近似三维模型构建的所述第一结构三维模型图，可以表征所述第一患者较明显和不明显的特征信息，使得骨科辅助决策适用范围更广。
49.实施例二基于与前述实施例中一种提高骨科诊断决策效率的辅助方法相同的发明构思，如图5所示，本申请实施例提供了一种提高骨科诊断决策效率的辅助系统，所述系统包括：第一获得单元11，所述第一获得单元11用于获得第一患者的病情信息，所述病情信息包括检查影像信息；第二获得单元12，所述第二获得单元12用于根据所述检查影像信息，获得第一疾病特征信息集，所述第一疾病特征信息集包括第一关键点信息集和第二关键点信息集；第一构建单元13，所述第一构建单元13用于根据所述第一疾病特征信息集，构建第一结构三维模型图；第三获得单元14，所述第三获得单元14用于根据所述第一结构三维模型图，获得第一修正参数；第四获得单元15，所述第四获得单元15用于根据所述第一修正参数修正所述第一关键点信息集和所述第二关键点信息集，获得第三关键点信息集和第四关键点信息集；第五获得单元16，所述第五获得单元16用于将所述第三关键点信息集和所述第四关键点信息集输入骨科诊断评估模型，获得第一评估结果；第六获得单元17，所述第六获得单元17用于将所述第一评估结果发送至专家平台，根据专家的参考意见获得第二评估结果。
50.进一步的，所述系统还包括：第七获得单元，所述第七获得单元用于根据所述检查影像信息构建第一检查影像数据库，获得第一影像集；第八获得单元，所述第八获得单元用于基于所述第一检查影像数据库，获得目标
卷积特征；第九获得单元，所述第九获得单元用于根据所述目标卷积特征，对所述第一影像集进行遍历的卷积运算，获得第一卷积结果；第十获得单元，所述第十获得单元用于根据所述第一卷积结果，获得所述第一疾病特征信息集，其中，所述第一疾病特征信息集与所述第一影像集具有第一映射关系；第十一获得单元，所述第十一获得单元用于基于所述第一映射关系，根据所述第一疾病特征信息集和所述第一影像集，获得所述第一关键点信息集和所述第二关键点信息集。
51.进一步的，所述系统还包括：第二构建单元，所述第二构建单元用于构建图像三维建模系统；第十二获得单元，所述第十二获得单元用于根据所述第一疾病特征信息集，获得第一稀疏矩阵；第十三获得单元，所述第十三获得单元用于根据所述第一稀疏矩阵，获得第一稀疏点集合；第十四获得单元，所述第十四获得单元将所述第一稀疏点集合输入所述图像三维建模系统，获得第一近似三维模型；第一生成单元，所述第一生成单元用于根据所述检查影像信息，生成第一初始点云；第十五获得单元，所述第十五获得单元用于对所述第一初始点云进行点云扩散，获得第一扩散结果；第十六获得单元，所述第十六获得单元用于根据所述第一扩散结果，获得第一稠密点集合；第十七获得单元，所述第十七获得单元用于将所述第一稠密点集合和所述第一近似三维模型输入所述图像三维建模系统，获得所述第一结构三维模型图。
52.进一步的，所述系统还包括：第十八获得单元，所述第十八获得单元用于根据所述第一检查影像信息集，获得第一噪声集合；第十九获得单元，所述第十九获得单元用于对所述第一噪声集合进行聚类分析，获得第一分类结果；第三构建单元，所述第三构建单元用于根据所述第一分类结果，构建第一函数，所述第一函数反映所述第一检查影像信息和所述第一噪声集合之间关联性；第四构建单元，所述第四构建单元用于构建第一图像去噪模型；第二十获得单元，所述第二十获得单元用于将所述第一检查影像信息集和所述第一函数输入所述第一图像去噪模型，获得第一去噪图像集；第二生成单元，所述第二生成单元用于根据所述第一去噪图像集，生成所述第一初始点云。
53.进一步的，所述系统还包括：第五构建单元，所述第五构建单元用于根据所述第一患者的疾病信息，基于大数据，构建第一相似历史疾病信息数据库；
第二十一获得单元，所述第二十一获得单元用于根据所述第一相似历史疾病信息数据库，获得第二疾病特征信息集；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二疾病特征信息集，获得第一历史诊断结果；第二十三获得单元，所述第二十三获得单元根据所述第一历史诊断结果，调整所述第二评估结果，获得第三评估结果。
54.进一步的，所述系统还包括：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信息预设阈值；第一比对单元，所述第一比对单元用于将所述第一疾病特征信息集和所述第二疾病特征信息集进行比对，获得第一比对结果，所述第一比对结果包括相似特征信息数量；第一判断单元，所述第一判断单元用于判断所述相似特征信息数量是否在所述第一特征信息预设阈值之内；第二十五获得单元，所述第二十五获得单元用于若所述相似特征信息数量在所述第一特征信息预设阈值之内，获得对应的第一历史诊断结果。
55.示例性电子设备下面参考图6来描述本申请实施例的电子设备，基于与前述实施例中一种提高骨科诊断决策效率的辅助方法相同的发明构思，本申请实施例还提供了一种提高骨科诊断决策效率的辅助系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法。
56.该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
57.处理器302可以是一个cpu，微处理器，asic，或一个或多个用于控制本申请方案程序执行的集成电路。
58.通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，ran),无线局域网(wireless local area networks，wlan)，有线接入网等。
59.存储器301可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read
‑
only memory，eeprom)、只读光盘(compact discread
‑
only memory，cd
‑
rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和
处理器集成在一起。
60.其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种提高骨科诊断决策效率的辅助系统及方法。
61.可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。
62.2、本申请实施例提供了一种提高骨科诊断决策效率的辅助方法，所述方法包括：获得第一患者的病情信息，所述病情信息包括检查影像信息；根据所述检查影像信息，获得第一疾病特征信息集，所述第一疾病特征信息集包括第一关键点信息集和第二关键点信息集；根据所述第一疾病信息集，构建第一结构三维模型图；根据所述第一结构三维模型图，获得第一修正参数；根据所述第一修正参数修正所述第一关键点信息集和所述第二关键点信息集，得到第三关键点信息集和第四关键点信息集；将所述第三关键点信息集和所述第四关键点信息集输入骨科诊断评估模型，获得第一评估结果；将所述第一评估结果发送至专家平台，根据专家的参考意见获得第二评估结果。达到了通过结合患者病情基本信息，在对患者检查影像进行特征识别的基础上，再进行三维建模提取特征信息，获取更全面的特征数据，进而通过智能化模型分析得到骨科患者的病情评估，因为多次的特征提取可以更全面的提取特征，再加上智能化模型的分析，提高了决策效率，得到了适用性范围较大的提高骨科诊断决策效率的辅助技术的技术效果。
63.本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a ,b,c,a
ꢀ‑
b,a
‑
c,b
‑
c,或a
‑
b
‑
c，其中a,b,c可以是单个，也可以是多个。
64.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
65.本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数
字信号处理器，专用集成电路(asic)，现场可编程门阵列(fpga)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
66.本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd
‑
rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。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。
67.尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。