基于人工智能的医学影像处理方法、装置、设备及介质与流程

1.本技术涉及人工智能技术领域，具体涉及一种基于人工智能的医学影像处理方法、装置、设备及介质。


背景技术：

2.近年来，随着核磁共振成像和计算机断层扫描等医学影像技术的出现和发展，医学影像技术被广泛应用于各种疾病的检查、诊断和治疗过程中。但目前医学影像诊断领域还存在一些突出的问题，比如，基于医学影像的识别的准确度较低。
3.发明人在实现本发明的过程中发现，现有技术通过将机器学习模型用在医学影像的识别与处理上，但运行机器学习模型需要消耗极大的计算资源，虽然通过将机器学习模型传到云端平台上进行运算，但这样又会占用大量的带宽资源，并导致较长的等待时延，对于医学影像的处理效率较低。


技术实现要素：

4.鉴于以上内容，有必要提出一种基于人工智能的医学影像处理方法、装置、电子设备及介质，基于ai边缘计算设备对医学影像进行处理，减少了计算量，提高了医学影像的处理效率。
5.第一方面，本技术提供了一种基于人工智能的医学影像处理方法，所述方法包括：
6.响应于对目标患者的多个医学影像的处理指令，获取每个所述医学影像对应的识别任务；
7.根据所述识别任务对应的任务信息，确定每个所述识别任务的影响因素；
8.根据所述影响因素的影响程度，确定所述影响因素对应的层级关系，并根据所述层级关系，构建影响因素层次结构模型；
9.获取预设的判断矩阵，并基于所述判断矩阵和所述影响因素层次结构模型，计算所述识别任务对应的组合权重；
10.根据所述识别任务对应的组合权重，确定每个识别任务对应的调度次序，并根据所述调度次序生成多个所述识别任务的任务调度集；
11.在预设存储空间中依次获取所述任务调度集中每个识别任务对应的目标医学影像；
12.调用ai边缘计算设备对依次获取的所述目标医学影像进行处理。
13.根据本技术的一个可选的实施方式，所述调用ai边缘计算设备对依次获取的所述目标医学影像进行处理包括：
14.获取所述目标医学影像中图像类文件对应的图像类信息；
15.使用训练完成的卷积神经网络模型，提取所述图像类信息的特征值，得到图像类特征集；
16.利用预设的特征提取算法提取所述目标医学影像中的非图像类文件，得到非图像
类特征集；
17.将所述非图像类特征集作为xgboost算法的输入进行回归分析得到第一结果；
18.将所述图像类特征集与所述非图像类特征集共同作为所述xgboost算法的输入进行回归分析得到第二结果；
19.根据所述第一结果和所述第二结果，得到所述目标医学影像的处理结果。
20.根据本技术的一个可选的实施方式，所述获取所述目标医学影像中图像类文件对应的图像类信息，包括：
21.基于ocr算法对所述目标医学影像中的图像类文件进行特征提取，得到所述图像类文件对应的像素信息；
22.根据所述像素信息中不同位置的颜色码，生成像素矩阵；
23.基于所述像素矩阵，得到所述目标医学影像中图像类文件对应的图像类信息。
24.根据本技术的一个可选的实施方式，所述利用预设的特征提取算法提取所述目标医学影像中的非图像类文件得到非图像类特征集包括：
25.对所述目标医学影像中的非图像类文件进行图像提取，得到多个目标图像；
26.基于ocr算法对所述多个目标图像进行特征提取，得到所述非图像类特征集。
27.根据本技术的一个可选的实施方式，在响应于对目标患者的多个医学影像的处理指令之前，所述方法还包括：
28.判断所述医学影像是否符合预设的识别质量要求；
29.若所医学影像符合预设的识别质量要求，确定所述医学影像对应的数据标识；
30.确定预设存储空间中与所述数据标识对应的分类空间；
31.将所述医学影像存储至所述分类空间，并将所述数据标识作为所述医学影像在所述分类空间中的索引。
32.根据本技术的一个可选的实施方式，所述方法还包括：
33.若所述医学影像不符合预设的识别质量要求，确定所述医学影像的重要级别；
34.若所述医学影像的重要级别大于或等于重要级阈值，生成所述医学影像对应的数据获取请求，所述数据获取请求用于获取目标数据。
35.根据本技术的一个可选的实施方式，所述根据所述识别任务对应的组合权重，确定每个识别任务对应的调度次序，并根据所述调度次序生成多个所述识别任务的任务调度集，包括：
36.基于每个识别任务对应的组合权重，使用模糊综合评价法对每个识别任务中的影响因素进行加权计算，得到每个识别任务对应的优先级；
37.根据每个识别任务对应的优先级，生成所述识别任务对应的任务调度集。
38.第二方面，本技术提供了一种基于人工智能的医学影像处理装置，所述装置包括：
39.任务获取模块，用于响应于对目标患者的多个医学影像的处理指令，获取每个所述医学影像对应的识别任务；
40.因素确定模块，用于根据所述识别任务对应的任务信息，确定每个所述识别任务的影响因素；
41.模型构建模块，用于根据所述影响因素的影响程度，确定所述影响因素对应的层级关系，并根据所述层级关系，构建影响因素层次结构模型；
42.权重计算模块，用于获取预设的判断矩阵，并基于所述判断矩阵和所述影响因素层次结构模型，计算所述识别任务对应的组合权重；
43.调度安排模块，用于根据所述识别任务对应的组合权重，确定每个识别任务对应的调度次序，并根据所述调度次序生成多个所述识别任务的任务调度集；
44.影像获取模块，用于在预设存储空间中依次获取所述任务调度集中每个识别任务对应的目标医学影像；
45.影像处理模块，用于调用ai边缘计算设备对依次获取的所述目标医学影像进行处理。
46.第三方面，本技术提供了一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述基于人工智能的医学影像处理方法。
47.第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质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所述基于人工智能的医学影像处理方法。
48.综上所述，本技术所述的基于人工智能的医学影像处理方法、装置、电子设备及介质，通过使用层次分析法对影像计算任务进行分析，得到影像计算任务对应的组合权重，并基于组合权重确定任务调度集，最后依据得到的排序后任务调度集进行任务调度，获取每个影像计算任务对应的目标影像数据。该方法比只根据任务类型或任务执行频度进行任务调度考虑更加全面，且操作简单，利于实现，同时，本技术通过影响因素对应的影响程度大小，构建影响因素层次结构模型，并基于所述影响因素层次结构模型计算每个识别任务对应的组合权重，根据每个识别任务对应的组合权重的大小，生成任务调度集，从而确定识别任务对应的调度顺序，可以解决采集影像计算任务的任务调度效率低，可以优先调度组合权重大的识别任务，解决复杂任务调度时间长的问题，从而可以提高医疗诊断的效率。
附图说明
49.图1是本技术实施例一提供的基于人工智能的医学影像处理方法的流程图。
50.图2是本技术实施例二提供的基于人工智能的医学影像处理装置的结构图。
51.图3是本技术实施例三提供的电子设备的结构示意图。
具体实施方式
52.为了能够更清楚地理解本技术的上述目的、特征和优点，下面结合附图和具体实施例对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
53.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述在一个可选的实施方式中实施例的目的，不是旨在于限制本技术。
54.本技术实施例提供的基于人工智能的医学影像处理方法由电子设备执行，相应地，基于人工智能的医学影像处理装置运行于电子设备中。所述电子设备可以包括手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等。
55.本技术实施例可以基于人工智能技术对医学影像进行处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
56.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
57.实施例一
58.图1是本技术实施例一提供的基于人工智能的医学影像处理方法的流程图。所述基于人工智能的医学影像处理方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
59.s11，响应于对目标患者的多个医学影像的处理指令，获取每个所述医学影像对应的识别任务。
60.医学影像可以包括医院影像设备发送的医学影像信息，包括但不限于数字拍片(digital radiography，dr)图像、计算机断层扫描(computed tomography，ct)图像、磁共振(magnetic resonance，mr)图像、射线检测(radiographic testing，rt)图像、心电图(electrocardiogram，ecg)、上消化道造影图像、超声图像、病理影像等。
61.不同的医学影像对应不同的识别任务。例如，心电图用于记录人体正常心脏的电活动，用于诊断心脏方面的疾病；上消化道造影是指十二指肠以上部分的消化道造影，用于诊断消化道内的病变。
62.在一个可选的实施方式中，在响应于对目标患者的多个医学影像的处理指令之前，所述方法还包括：
63.判断所述医学影像是否符合预设的识别质量要求；
64.若所医学影像符合预设的识别质量要求，确定所述医学影像对应的数据标识；
65.确定预设存储空间中与所述数据标识对应的分类空间；
66.将所述医学影像存储至所述分类空间，并将所述数据标识作为所述医学影像在所述分类空间中的索引。
67.预先设置医学影像的识别质量要求，识别质量要求可以包括图像清晰度要求、图片完整度要求、视频清晰度要求等。
68.在预设存储空间中进行空间划分，设置不同类型的医学影像各自对应的分类空间。不同的分类空间对应不同的数据标识。并根据数据标识生成医学影像对应的索引。示例性的，可以将所述数据标识和所述分类空间对应的地址作为所述医学影像在所述分类空间中的索引。
69.通过判断医学影像是否符合识别质量要求，对符合识别质量要求的医学影像进行储存，可以保证存储在预设存储空间中的医学影像的有效性，从而便于对存储在预设存储空间中的医学影像进行处理。同时，基于数据标识对医学影像进行分类储存，可以在需要获取医学影像时，仅从分类空间中获取医学影像，分类空间相较于整个存储空间而言，存储容量少，因而能够快速的获取到目标医学影像，提高了目标医学影像的获取效率。
70.在一个可选的实施方式中，所述方法还包括：
71.若所述医学影像不符合预设的识别质量要求，确定所述医学影像的重要级别；
72.若所述医学影像的重要级别大于或等于重要级阈值，生成所述医学影像对应的数据获取请求，所述数据获取请求用于获取目标数据。
73.数据获取请求用于获取不符合预设的识别质量要求的医学影像对应的目标数据。示例性的，根据数据获取请求获取到目标数据后，删除所述不符合预设的识别质量要求的医学影像。
74.若所述医学影像的重要级别小于重要级阈值，将所述医学影像进行删除处理。示例性的，将所述医学影像进行删除处理后，可以生成相关的删除记录。
75.通过对不合格且重要级别高的医学影像生成数据获取请求，可以避免后续进行医学影像计算时，需要的医学影像不存在的情况发生，提高了医学影像计算的效率。
76.s12，根据所述识别任务对应的任务信息，确定每个所述识别任务的影响因素。
77.示例性的，所述任务信息可以包括待识别的医学影像类别、识别任务类型和识别任务执行频度，根据任务信息确定每个所述识别任务的影响因素。不同的识别任务需要对不同的医学影像进行分析，从而根据分析结果得到识别任务对应的诊断结果。识别任务对应的医学影像越多，该识别任务对应的影像因素也越多。
78.s13，根据所述影响因素的影响程度，确定所述影响因素对应的层级关系，并根据所述层级关系构建影响因素层次结构模型。
79.根据影响因素对应的影响层级，确定影响因素对应的层级关系，影响因素对应的层级关系用于表示影响因素的不同影响程度。
80.其中，影响程度与影响层级呈现正相关，影响因素的影响程度越大，影响因素对应的影响层级也越高，影响因素的影响程度越小，影响因素对应的影响层级也越低，根据每个影响因素对应的影响层级，确定影响因素对应的层级关系。根据影响因素对应的层级关系，构建影响因素层次结构模型。所述影响因素层次结构模型包括每个诊断任务对应的影响因子，例如，影响因素层次结构模型中每个层次存储的影响因子对应的影响层级是相同的。
81.示例性的，可以预先设置影响因素与影响程度之间的映射关系，生成因素影响表，通过查询因素影响表，可以确定影响因素对应的影响程度，从而确定影响因素对应的层级关系。
82.例如，可以基于层次分析法(analytic hierarchy process，ahp)和影响因素的影响程度，确定影响因素对应的层级关系。ahp层次分析法是一种定性和定量相结合的、系统的、层次化的分析方法。使用ahp层次分析法可以在对复杂决策问题的本质、影响因素及其内在关系等进行深入研究的基础上，利用较少的定量信息使决策的思维过程数学化，从而提高了确定影响因素对应的层级关系的效率。
83.影响因素层次结构模型包括每个识别任务对应的影响因素，可以分为多个层次，每个层次包括一个或多个影响因素。
84.s14，获取预设的判断矩阵，并基于所述判断矩阵和所述影响因素层次结构模型，计算所述识别任务对应的组合权重。
85.在一个可选的实施方式中，可以基于模糊综合评价法，对获取到的影响因素的优先级进行分析和评价，得出因素集模块；同时基于医疗经验确定权重矩阵，最后基于所述因
素集模块和权重矩阵，得到预先设置的判断矩阵。
86.示例性的，根据识别任务对应的多个影响因素在所述影响因素层次结构模型中的层级，确定每个影响因素对应的权重，将多个影响因素对应的权重代入判断矩阵中进行计算，得到所述识别任务对应的组合权重。例如，可以将影响因素在所述影响因素层次结构模型中的层级确定为影响因素对应的权重。
87.s15，根据所述识别任务对应的组合权重，确定每个识别任务对应的调度次序，并根据所述调度次序生成多个所述识别任务的任务调度集。
88.示例性的，根据多个识别任务对应的组合权重的大小，对所述多个识别任务进行排序，根据排序确定每个识别任务对应的调度次序，从而得到所述多个识别任务对应的任务调度集。例如，可以按从大到小的顺序进行排序。根据任务调度集可以确定执行所述多个识别任务的顺序。
89.在一个可选的实施方式中，所述根据所述识别任务对应的组合权重，确定每个识别任务对应的调度次序，并根据所述调度次序生成多个所述识别任务的任务调度集，包括：
90.基于每个识别任务对应的组合权重，使用模糊综合评价法对每个识别任务中的影响因素进行加权计算，得到每个识别任务对应的优先级；
91.根据每个识别任务对应的优先级，生成所述识别任务对应的任务调度集。
92.示例性的，可以基于每个识别任务对应的组合权重，使用模糊综合评价法对每个识别任务中的影响因素进行加权计算，根据加权后影响因素对应的值，确定每个识别任务对应的优先级。例如，将识别任务中每个影响因素加权后的值相加，得到目标影响值，基于目标影响值确定每个识别任务对应的优先级。识别任务对应的目标影响值越大，识别任务对应的优先级越低。
93.通过使用模糊综合评价法对影响因素进行加权计算，能对蕴藏信息呈现模糊性的资料作出比较科学、合理、贴近实际的量化评价，从而准确地确定每个识别任务对应的优先级，使得基于识别任务对应的优先级生成的任务调度集的准确率更高，便于后续进行任务调度。
94.s16，在预设存储空间中依次获取所述任务调度集中每个识别任务对应的目标医学影像。
95.按照任务调度集中识别任务的排序，依次在预设存储空间中获取每个识别任务对应的目标医学影像。例如，存在识别任务a和识别任务b，任务调度集中识别任务a的排序在识别任务b之前，首先在预设存储空间中获取识别任务a对应的目标医学影像，接着在预设存储空间中获取识别任务b对应的目标医学影像。
96.s17，调用ai边缘计算设备对依次获取的所述目标医学影像进行处理。
97.调用ai边缘计算设备对依次获取的所述目标医学影像进行识别，基于识别所述目标医学影像的识别结果，得到每个识别任务对应的诊断结果。例如，一个识别任务包括多个目标医学影像，基于多个目标医学影像的识别结果，得到该识别任务对应的诊断结果。
98.在一个可选的实施方式中，所述调用ai边缘计算设备对依次获取的所述目标医学影像进行处理包括：
99.获取所述目标医学影像中图像类文件对应的图像类信息；
100.使用训练完成的卷积神经网络模型，提取所述图像类信息的特征值，得到图像类
特征集；
101.利用预设的特征提取算法提取所述目标医学影像中的非图像类文件，得到非图像类特征集；
102.将所述非图像类特征集作为xgboost算法的输入进行回归分析得到第一结果；
103.将所述图像类特征集与所述非图像类特征集共同作为所述xgboost算法的输入进行回归分析得到第二结果；
104.根据所述第一结果和所述第二结果，得到所述目标医学影像的处理结果。
105.非图像类文件可以包括视频类文件。
106.提升树模型xgboost(extreme gradient boosting)，是一种将很多树的模型集成起来的模型，通过代价函数里加入正则项，控制模型的复杂度，防止过拟合，可以实现并行处理，从而提高对文件的处理速度。
107.示例性的，可以将第一结果和第二结果进行汇总，得到所述目标医学影像的处理结果。
108.通过上述技术方案，能够实现图像类数据与非图像类数据的共同处理，使得分析的医学影像范围覆盖广，提高医疗诊断的效率；同时利用xgboost算法，不仅仅使用到了一阶导数，还使用二阶导数，损失更精确，还可以自定义损失，能降低过拟合，减少ai边缘计算设备的计算量。
109.在一个可选的实施方式中，所述获取所述目标医学影像中图像类文件对应的图像类信息，包括：
110.基于ocr算法对所述目标医学影像中的图像类文件进行特征提取，得到所述图像类文件对应的像素信息；
111.根据所述像素信息中不同位置的颜色码，生成像素矩阵；
112.基于所述像素矩阵，得到所述目标医学影像中图像类文件对应的图像类信息。
113.通过光学字符识别(optical character recognition，ocr)提取图像类文件中的像素特征，得到像素信息。根据所述像素信息中不同位置的颜色码，生成像素矩阵，如根据十六进制的颜色码生成像素矩阵。像素矩阵可以有效保留图像类文件中的图像信息。示例性的，可以将像素矩阵确定为目标医学影像中图像类文件对应的图像类信息。
114.使用ocr算法可以有效提取图像类文件中的特征，基于像素信息中的颜色码，得到图像类特征集，可以保留影像中更多的特征，从而可以提高识别的准确率。
115.在一个可选的实施方式中，所述利用预设的特征提取算法提取所述目标医学影像中的非图像类文件得到非图像类特征集包括：
116.对所述目标医学影像中的非图像类文件进行图像提取，得到多个目标图像；
117.基于ocr算法对所述多个目标图像进行特征提取，得到所述非图像类特征集。
118.非图像类文件包括视频文件，对视频文件进行图像提取，得到多个目标图像。例如，可以按固定时间间隔对视频文件进行图像提取，如0.01s，得到多个目标图像。
119.使用ocr算法对多个目标图像进行特征提取，得到非图像类数据特征集。例如，基于ocr算法对所述多个目标图像进行特征提取，得到所述多个目标图像对应的像素信息；根据所述像素信息中不同位置的颜色码，生成像素矩阵；基于所述像素矩阵，得到所述目标医学影像中非图像类文件对应的非图像类特征集。
120.本技术所述的基于人工智能的医学影像处理方法，通过使用层次分析法对影像计算任务进行分析，得到影像计算任务对应的组合权重，并基于组合权重确定任务调度集，最后依据得到的排序后任务调度集进行任务调度，获取每个影像计算任务对应的目标影像数据。该方法比只根据任务类型或任务执行频度进行任务调度考虑更加全面，且操作简单，利于实现，同时，本技术通过影响因素对应的影响程度大小，构建影响因素层次结构模型，并基于所述影响因素层次结构模型计算每个识别任务对应的组合权重，根据每个识别任务对应的组合权重的大小，生成任务调度集，从而确定识别任务对应的调度顺序，可以解决采集影像计算任务的任务调度效率低，可以优先调度组合权重大的识别任务，解决复杂任务调度时间长的问题，从而可以提高医疗诊断的效率。
121.实施例二
122.图2是本技术实施例二提供的基于人工智能的医学影像处理装置的结构图。
123.在一些实施例中，所述基于人工智能的医学影像处理装置20可以包括多个由计算机程序段所组成的功能模块。所述基于人工智能的医学影像处理装置20中的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)基于人工智能的医学影像处理的功能。
124.本实施例中，所述基于人工智能的医学影像处理装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：任务获取模块201、因素确定模块202、模型构建模块203、权重计算模块204、调度安排模块205、影像获取模块206及影像处理模块207。本技术所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
125.任务获取模块201，用于响应于对目标患者的多个医学影像的处理指令，获取每个所述医学影像对应的识别任务。
126.医学影像可以包括医院影像设备发送的医学影像信息，包括但不限于数字拍片(digital radiography，dr)图像、计算机断层扫描(computed tomography，ct)图像、磁共振(magnetic resonance，mr)图像、射线检测(radiographic testing，rt)图像、心电图(electrocardiogram，ecg)、上消化道造影图像、超声图像、病理影像等。
127.不同的医学影像对应不同的识别任务。例如，心电图用于记录人体正常心脏的电活动，用于诊断心脏方面的疾病；上消化道造影是指十二指肠以上部分的消化道造影，用于诊断消化道内的病变。
128.在一个可选的实施方式中，在响应于对目标患者的多个医学影像的处理指令之前，任务获取模块201，还用于：
129.判断所述医学影像是否符合预设的识别质量要求；
130.若所医学影像符合预设的识别质量要求，确定所述医学影像对应的数据标识；
131.确定预设存储空间中与所述数据标识对应的分类空间；
132.将所述医学影像存储至所述分类空间，并将所述数据标识作为所述医学影像在所述分类空间中的索引。
133.预先设置医学影像的识别质量要求，识别质量要求可以包括图像清晰度要求、图片完整度要求、视频清晰度要求等。
134.在预设存储空间中进行空间划分，设置不同类型的医学影像各自对应的分类空间。不同的分类空间对应不同的数据标识。并根据数据标识生成医学影像对应的索引。示例性的，可以将所述数据标识和所述分类空间对应的地址作为所述医学影像在所述分类空间中的索引。
135.通过判断医学影像是否符合识别质量要求，对符合识别质量要求的医学影像进行储存，可以保证存储在预设存储空间中的医学影像的有效性，从而便于对存储在预设存储空间中的医学影像进行处理。同时，基于数据标识对医学影像进行分类储存，可以在需要获取医学影像时，仅从分类空间中获取医学影像，分类空间相较于整个存储空间而言，存储容量少，因而能够快速的获取到目标医学影像，提高了目标医学影像的获取效率。
136.在一个可选的实施方式中，任务获取模块201，还用于：
137.若所述医学影像不符合预设的识别质量要求，确定所述医学影像的重要级别；
138.若所述医学影像的重要级别大于或等于重要级阈值，生成所述医学影像对应的数据获取请求，所述数据获取请求用于获取目标数据。
139.数据获取请求用于获取不符合预设的识别质量要求的医学影像对应的目标数据。示例性的，根据数据获取请求获取到目标数据后，删除所述不符合预设的识别质量要求的医学影像。
140.若所述医学影像的重要级别小于重要级阈值，将所述医学影像进行删除处理。示例性的，将所述医学影像进行删除处理后，可以生成相关的删除记录。
141.通过对不合格且重要级别高的医学影像生成数据获取请求，可以避免后续进行医学影像计算时，需要的医学影像不存在的情况发生，提高了医学影像计算的效率。
142.因素确定模块202，用于根据所述识别任务对应的任务信息，确定每个所述识别任务的影响因素。
143.示例性的，所述任务信息可以包括待识别的医学影像类别、识别任务类型和识别任务执行频度，根据任务信息确定每个所述识别任务的影响因素。不同的识别任务需要对不同的医学影像进行分析，从而根据分析结果得到识别任务对应的诊断结果。识别任务对应的医学影像越多，该识别任务对应的影像因素也越多。
144.模型构建模块203，用于根据所述影响因素的影响程度，确定所述影响因素对应的层级关系，并根据所述层级关系构建影响因素层次结构模型。
145.根据影响因素对应的影响层级，确定影响因素对应的层级关系，影响因素对应的层级关系用于表示影响因素的不同影响程度。
146.其中，影响程度与影响层级呈现正相关，影响因素的影响程度越大，影响因素对应的影响层级也越高，影响因素的影响程度越小，影响因素对应的影响层级也越低，根据每个影响因素对应的影响层级，确定影响因素对应的层级关系。根据影响因素对应的层级关系，构建影响因素层次结构模型，例如，影响因素层次结构模型中每个层次存储的影响因子对应的影响层级是相同的。
147.示例性的，可以预先设置影响因素与影响程度之间的映射关系，生成因素影响表，通过查询因素影响表，可以确定影响因素对应的影响程度，从而确定影响因素对应的层级关系。
148.例如，可以基于层次分析法(analytic hierarchy process，ahp)和影响因素的影
响程度，确定影响因素对应的层级关系。ahp层次分析法是一种定性和定量相结合的、系统的、层次化的分析方法。使用ahp层次分析法可以在对复杂决策问题的本质、影响因素及其内在关系等进行深入研究的基础上，利用较少的定量信息使决策的思维过程数学化，从而提高了确定影响因素对应的层级关系的效率。
149.影响因素层次结构模型包括每个识别任务对应的影响因素，可以分为多个层次，每个层次包括一个或多个影响因素。
150.权重计算模块204，用于获取预设的判断矩阵，并基于所述判断矩阵和所述影响因素层次结构模型，计算所述识别任务对应的组合权重。
151.在一个可选的实施方式中，可以基于模糊综合评价法，对获取到的影响因素的优先级进行分析和评价，得出因素集模块；同时基于医疗经验确定权重矩阵，最后基于所述因素集模块和权重矩阵，得到判断矩阵。
152.示例性的，根据识别任务对应的多个影响因素在所述影响因素层次结构模型中的层级，确定每个影响因素对应的权重，将多个影响因素对应的权重代入判断矩阵中进行计算，得到所述识别任务对应的组合权重。例如，可以将影响因素在所述影响因素层次结构模型中的层级确定为影响因素对应的权重。
153.调度安排模块205，用于根据所述识别任务对应的组合权重，确定每个识别任务对应的调度次序，并根据所述调度次序生成多个所述识别任务的任务调度集。
154.示例性的，根据多个识别任务对应的组合权重的大小，对所述多个识别任务进行排序，得到所述多个识别任务对应的任务调度集。例如，可以按从小到大的顺序进行排序。根据任务调度集可以确定执行所述多个识别任务的顺序。
155.在一个可选的实施方式中，调度安排模块205根据所述识别任务对应的组合权重，确定每个识别任务对应的调度次序，并根据所述调度次序生成多个所述识别任务的任务调度集，包括：
156.基于每个识别任务对应的组合权重，使用模糊综合评价法对每个识别任务中的影响因素进行加权计算，得到每个识别任务对应的优先级；
157.根据每个识别任务对应的优先级，生成所述识别任务对应的任务调度集。
158.示例性的，可以基于每个识别任务对应的组合权重，使用模糊综合评价法对每个识别任务中的影响因素进行加权计算，根据加权后影响因素对应的值，确定每个识别任务对应的优先级。例如，将识别任务中每个影响因素加权后的值相加，得到目标影响值，基于目标影响值确定每个识别任务对应的优先级。识别任务对应的目标影响值越大，识别任务对应的优先级越低。
159.通过使用模糊综合评价法对影响因素进行加权计算，能对蕴藏信息呈现模糊性的资料作出比较科学、合理、贴近实际的量化评价，从而准确地确定每个识别任务对应的优先级，使得基于识别任务对应的优先级生成的任务调度集的准确率更高，便于后续进行任务调度。
160.影像获取模块206，用于在预设存储空间中依次获取所述任务调度集中每个识别任务对应的目标医学影像。
161.按照任务调度集中识别任务的排序，依次在预设存储空间中获取每个识别任务对应的目标医学影像。例如，存在识别任务a和识别任务b，任务调度集中识别任务a的排序在
识别任务b之前，首先在预设存储空间中获取识别任务a对应的目标医学影像，接着在预设存储空间中获取识别任务b对应的目标医学影像。
162.影像处理模块207，用于调用ai边缘计算设备对依次获取的所述目标医学影像进行处理。
163.调用ai边缘计算设备对依次获取的所述目标医学影像进行识别，基于识别所述目标医学影像的识别结果，得到每个识别任务对应的诊断结果。例如，一个识别任务包括多个目标医学影像，基于多个目标医学影像的识别结果，得到该识别任务对应的诊断结果。
164.在一个可选的实施方式中，影像处理模块207调用ai边缘计算设备对依次获取的所述目标医学影像进行处理包括：
165.获取所述目标医学影像中图像类文件对应的图像类信息；
166.使用训练完成的卷积神经网络模型，提取所述图像类信息的特征值，得到图像类特征集；
167.利用预设的特征提取算法提取所述目标医学影像中的非图像类文件，得到非图像类特征集；
168.将所述非图像类特征集作为xgboost算法的输入进行回归分析得到第一结果；
169.将所述图像类特征集与所述非图像类特征集共同作为所述xgboost算法的输入进行回归分析得到第二结果；
170.根据所述第一结果和所述第二结果，得到所述目标医学影像的处理结果。
171.非图像类文件可以包括视频类文件。
172.提升树模型xgboost(extreme gradient boosting)，是一种将很多树的模型集成起来的模型，通过代价函数里加入正则项，控制模型的复杂度，防止过拟合，可以实现并行处理，从而提高对文件的处理速度。
173.示例性的，可以将第一结果和第二结果进行汇总，得到所述目标医学影像的处理结果。
174.通过上述技术方案，能够实现图像类数据与非图像类数据的共同处理，使得分析的医学影像范围覆盖广，提高医疗诊断的效率；同时利用xgboost算法，不仅仅使用到了一阶导数，还使用二阶导数，损失更精确，还可以自定义损失，能降低过拟合，减少ai边缘计算设备的计算量。
175.在一个可选的实施方式中，影像处理模块207获取所述目标医学影像中图像类文件对应的图像类信息，包括：
176.基于ocr算法对所述目标医学影像中的图像类文件进行特征提取，得到所述图像类文件对应的像素信息；
177.根据所述像素信息中不同位置的颜色码，生成像素矩阵；
178.基于所述像素矩阵，得到所述目标医学影像中图像类文件对应的图像类信息。
179.通过光学字符识别(optical character recognition，ocr)提取图像类文件中的像素特征，得到像素信息。根据所述像素信息中不同位置的颜色码，生成像素矩阵，如根据十六进制的颜色码生成像素矩阵。像素矩阵可以有效保留图像类文件中的图像信息。示例性的，可以将像素矩阵确定为目标医学影像中图像类文件对应的图像类信息。
180.使用ocr算法可以有效提取图像类文件中的特征，基于像素信息中的颜色码，得到
图像类特征集，可以保留影像中更多的特征，从而可以提高识别的准确率。
181.在一个可选的实施方式中，影像处理模块207利用预设的特征提取算法提取所述目标医学影像中的非图像类文件得到非图像类特征集包括：
182.对所述目标医学影像中的非图像类文件进行图像提取，得到多个目标图像；
183.基于ocr算法对所述多个目标图像进行特征提取，得到所述非图像类特征集。
184.非图像类文件包括视频文件，对视频文件进行图像提取，得到多个目标图像。例如，可以按固定时间间隔对视频文件进行图像提取，如0.01s，得到多个目标图像。
185.使用ocr算法对多个目标图像进行特征提取，得到非图像类数据特征集。例如，基于ocr算法对所述多个目标图像进行特征提取，得到所述多个目标图像对应的像素信息；根据所述像素信息中不同位置的颜色码，生成像素矩阵；基于所述像素矩阵，得到所述目标医学影像中非图像类文件对应的非图像类特征集。
186.本技术所述的基于人工智能的医学影像处理装置，通过使用层次分析法对影像计算任务进行分析，得到影像计算任务对应的组合权重，并基于组合权重确定任务调度集，最后依据得到的排序后任务调度集进行任务调度，获取每个影像计算任务对应的目标影像数据。该方法比只根据任务类型或任务执行频度进行任务调度考虑更加全面，且操作简单，利于实现，同时，本技术通过影响因素对应的影响程度大小，构建影响因素层次结构模型，并基于所述影响因素层次结构模型计算每个识别任务对应的组合权重，根据每个识别任务对应的组合权重的大小，生成任务调度集，从而确定识别任务对应的调度顺序，可以解决采集影像计算任务的任务调度效率低，可以优先调度组合权重大的识别任务，解决复杂任务调度时间长的问题，从而可以提高医疗诊断的效率。
187.实施例三
188.本实施例提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述基于人工智能的医学影像处理方法实施例中的步骤，例如图1所示的s11
‑
s17：
189.s11，响应于对目标患者的多个医学影像的处理指令，获取每个所述医学影像对应的识别任务；
190.s12，根据所述识别任务对应的任务信息，确定每个所述识别任务的影响因素；
191.s13，根据所述影响因素的影响程度，确定所述影响因素对应的层级关系，并根据所述层级关系，构建影响因素层次结构模型；
192.s14，获取预设的判断矩阵，并基于所述判断矩阵和所述影响因素层次结构模型，计算所述识别任务对应的组合权重；
193.s15，根据所述识别任务对应的组合权重，确定每个识别任务对应的调度次序，并根据所述调度次序生成多个所述识别任务的任务调度集；
194.s16，在预设存储空间中依次获取所述任务调度集中每个识别任务对应的目标医学影像；
195.s17，调用ai边缘计算设备对依次获取的所述目标医学影像进行处理。
196.或者，该计算机程序被处理器执行时实现上述装置实施例中各模块/单元的功能，例如图2中的模块201
‑
207：
197.所述任务获取模块201，用于响应于对目标患者的多个医学影像的处理指令，获取
每个所述医学影像对应的识别任务；
198.所述因素确定模块202，用于根据所述识别任务对应的任务信息，确定每个所述识别任务的影响因素；
199.所述模型构建模块203，用于根据所述影响因素的影响程度，确定所述影响因素对应的层级关系，并根据所述层级关系，构建影响因素层次结构模型；
200.所述权重计算模块204，用于获取预设的判断矩阵，并基于所述判断矩阵和所述影响因素层次结构模型，计算所述识别任务对应的组合权重；
201.所述调度安排模块205，用于根据所述识别任务对应的组合权重，确定每个识别任务对应的调度次序，并根据所述调度次序生成多个所述识别任务的任务调度集；
202.所述影像获取模块206，用于在预设存储空间中依次获取所述任务调度集中每个识别任务对应的目标医学影像；
203.所述影像处理模块207，用于调用ai边缘计算设备对依次获取的所述目标医学影像进行处理。
204.实施例四
205.参阅图3所示，为本技术实施例三提供的电子设备的结构示意图。在本技术较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条收发器33及通信总线34。
206.本领域技术人员应该了解，图3示出的电子设备的结构并不构成本技术实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
207.在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
208.需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本技术，也应包含在本技术的保护范围以内，并以引用方式包含于此。
209.在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的基于人工智能的医学影像处理方法中的全部或者部分步骤。所述存储器31包括只读存储器(read
‑
only memory，rom)、可编程只读存储器(programmable read
‑
only memory，prom)、可擦除可编程只读存储器(erasable programmable read
‑
only memory，eprom)、一次可编程只读存储器(one
‑
time programmable read
‑
only memory，otprom)、电子擦除式可复写只读存储器(electrically
‑
erasable programmable read
‑
only memory，eeprom)、只读光盘(compact disc read
‑
only memory，cd
‑
rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
210.进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
211.本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
212.在一些实施例中，所述至少一个处理器32是所述电子设备3的控制核心(control unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本技术实施例中所述的基于人工智能的医学影像处理方法的全部或者部分步骤；或者实现基于人工智能的医学影像处理装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
213.在一些实施例中，所述至少一条通信总线34被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
214.尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
215.上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本技术各个实施例所述方法的部分。
216.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
217.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
218.另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
219.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有
变化涵括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
220.最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。