医学影像的识别方法、装置、存储介质和电子设备与流程

本公开涉及智能医疗领域，具体地，涉及一种医学影像的识别方法、装置、存储介质和电子设备。

背景技术：

在大数据时代的背景下，智能医疗正在走进寻常百姓的生活。智能医疗能够通过物联网和云计算的技术、人工智能的专家系统以及嵌入式系统的智能化设备，打造统一的医疗信息平台，实现患者与医务人员、医疗机构、医疗设备之间的互动，达到医疗服务的信息化，对于医学影像的智能化识别和诊断是其中的一个分支。相关技术中，针对于医学影像的智能化识别，通常通过同一类病症的医学影像数据对单一的医学影像模型进行训练，以使训练好的医学影像模型具备对该类病症进行病变确认、病变区域标注以及病情严重程度分析等功能。但是，由于疾病种类和医学影像的多样性，一次成型的影像识别模型会出现适应性不强、识别效果差的情况。

技术实现要素：

为克服相关技术中存在的问题，本公开的目的是提供一种医学影像的识别方法、装置、存储介质和电子设备。

为了实现上述目的，根据本公开实施例的第一方面，提供一种医学影像的识别方法，所述方法包括：

将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据，所述当前的影像识别模型为预先训练好的第一影像识别模型，所述验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，所述样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据；

当所述样本数据的数量达到第一预设数量时，通过所述第一预设数量的所述样本数据对所述第一影像识别模型进行重训练，以获取第二影像识别模型；

将所述第一影像识别模型与所述第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，所述更新后的影像识别模型为所述第二影像识别模型或者第三影像识别模型，所述第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于所述第一影像识别模型的影像识别模型；

通过所述更新后的影像识别模型对当前输入的医学影像进行识别。

可选的，在所述通过所述更新后的影像识别模型对当前输入的医学影像进行识别之后，所述方法还包括：

将所述更新后的影像识别模型作为所述当前的影像识别模型，循环执行从所述将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据，到所述通过所述更新后的影像识别模型对当前输入的医学影像进行识别的步骤。

可选的，在所述将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据之前，所述方法还包括：

通过第二预设数量的训练数据对所述第一影像识别模型进行训练，所述训练数据包括：样本医学影像以及所述样本医学影像对应的诊断信息，所述诊断信息包括：疾病诊断结果，病变区域和病情严重程度中的至少一种。

可选的，所述将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据，包括：

将第一医学影像作为所述当前的影像识别模型的输入，以获取所述当前的影像识别模型输出的第一影像识别数据，所述第一影像识别数据包括：所述第一医学影像、所述第一医学影像对应的诊断信息，以及所述诊断信息的置信度，所述诊断信息包括：疾病诊断结果、病变区域和病情严重程度中的至少一种；

当所述置信度小于所述置信度阈值时，确定所述第一影像识别数据的验证结果为错误；

将所述第一影像识别数据输出至第一交互接口，以使得医学影像专家通过所述第一交互接口将所述第一影像识别数据修改为第二影像识别数据；

将所述第二影像识别数据作为所述样本数据；

将所述第二影像识别数据作为最终识别数据输出至第二交互接口，用于医生通过所述第二交互接口获取所述最终识别数据；

或者，

当所述置信度大于或等于所述置信度阈值时，将所述第一影像识别数据输出至第二交互接口，以使医生通过所述第二交互接口对所述第一影像识别数据进行验证；

当通过所述第二交互接口获取到所述第一影像识别数据通过所述医生的验证时，确定所述第一影像识别数据为所述最终识别数据；

当通过所述第二交互接口获取到所述第一影像识别数据未通过所述医生的验证时，将所述第一影像识别数据输出至所述第一交互接口，以使得医学影像专家通过所述第一交互接口将所述第一影像识别数据修改为第三影像识别数据；

将所述第三影像识别数据作为所述样本数据；

将所述第三影像识别数据作为所述最终识别数据输出至第二交互接口，用于医生通过所述第二交互接口获取所述最终识别数据。

可选的，所述将所述第一影像识别模型与所述第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，包括：

将所述第一影像识别模型与所述第二影像识别模型的识别性能进行对比，所述识别性能为通过预设的医学影像数据集对影像识别模型进行测试所获取到的识别率；

当所述第一影像识别模型的识别性能小于所述第二影像识别模型的识别性能时，将所述第二影像识别模型作为所述更新后的影像识别模型；或者，

当所述第一影像识别模型的识别性能大于或等于所述第二影像识别模型的识别性能时，对从所述模型库中选取的初始模型进行训练，以获取识别性能优于所述第一影像识别模型的所述第三影像识别模型；

将所述第三影像识别模型作为所述更新后的影像识别模型。

根据本公开实施例的第二方面，提供一种医学影像的识别装置，所述装置包括：

样本获取模块，用于将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据，所述当前的影像识别模型为预先训练好的第一影像识别模型，所述验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，所述样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据；

模型重训练模块，用于当所述样本数据的数量达到第一预设数量时，通过所述第一预设数量的所述样本数据对所述第一影像识别模型进行重训练，以获取第二影像识别模型；

模型更新模块，用于将所述第一影像识别模型与所述第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，所述更新后的影像识别模型为所述第二影像识别模型或者第三影像识别模型，所述第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于所述第一影像识别模型的影像识别模型；

影像识别模块，用于通过所述更新后的影像识别模型对当前输入的医学影像进行识别。

可选的，所述装置还包括：

循环更新模块，用于将所述更新后的影像识别模型作为所述当前的影像识别模型，循环执行从所述将待识别的医学影像输入当前的影像识别模型，以根据对所述当前的影像识别模型输出的影像识别数据的验证结果，从所述当前的影像识别模型输出的影像识别数据中获取样本数据，到所述通过所述更新后的影像识别模型对当前输入的医学影像进行识别的步骤。

可选的，所述装置还包括：

模型训练模块，用于通过第二预设数量的训练数据对所述第一影像识别模型进行训练，所述训练数据包括：样本医学影像以及所述样本医学影像对应的诊断信息，所述诊断信息包括：疾病诊断结果，病变区域和病情严重程度中的至少一种。

可选的，所述样本获取模块，包括：

影像解析子模块，用于将第一医学影像作为所述当前的影像识别模型的输入，以获取所述当前的影像识别模型输出的第一影像识别数据，所述第一影像识别数据包括：所述第一医学影像、所述第一医学影像对应的诊断信息以及所述诊断信息的置信度，所述诊断信息包括：疾病诊断结果，病变区域和病情严重程度中的至少一种；

第一数据判断子模块，用于当所述置信度小于所述置信度阈值时，确定所述第一影像识别数据的验证结果为错误；

第一数据输出子模块，用于将所述第一影像识别数据输出至第一交互接口，以使得医学影像专家通过所述第一交互接口将所述第一影像识别数据修改为第二影像识别数据；

第一数据获取子模块，用于获取所述第二影像识别数据作为所述样本数据；

第二数据输出子模块，用于将所述第二影像识别数据作为最终识别数据输出至第二交互接口，用于医生通过所述第二交互接口获取所述最终识别数据；

或者，

第二数据判断子模块，用于当所述置信度大于或等于所述置信度阈值时，将所述第一影像识别数据输出至第二交互接口，以使医生通过所述第二交互接口对所述第一影像识别数据进行验证；

第一数据验证子模块，用于当通过所述第二交互接口获取到所述第一影像识别数据通过所述医生的验证时，确定所述第一影像识别数据为所述最终识别数据；

第二数据验证子模块，用于当通过所述第二交互接口获取到所述第一影像识别数据未通过所述医生的验证时，将所述第一影像识别数据输出至所述第一交互接口，以使得医学影像专家通过所述第一交互接口将所述第一影像识别数据修改为第三影像识别数据；

第二数据获取子模块，用于将所述第三影像识别数据作为所述样本数据；

第三数据输出子模块，用于将所述第三影像识别数据作为所述最终识别数据输出至第二交互接口，用于医生通过所述第二交互接口获取所述最终识别数据。

可选的，所述模型更新模块，包括：

性能对比子模块，用于将所述第一影像识别模型与所述第二影像识别模型的识别性能进行对比，所述识别性能为通过预设的医学影像数据集对影像识别模型进行测试所获取到的识别率；

第一模型更新子模块，用于当所述第一影像识别模型的识别性能小于所述第二影像识别模型的识别性能时，将所述第二影像识别模型作为所述更新后的影像识别模型；或者，

模型获取子模块，用于当所述第一影像识别模型的识别性能大于或等于所述第二影像识别模型的识别性能时，对从所述模型库中选取的初始模型进行训练，以获取识别性能优于所述第一影像识别模型的所述第三影像识别模型；

第二模型更新子模块，用于将所述第三影像识别模型作为所述更新后的影像识别模型。

根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本公开实施例第一方面提供的医学影像的识别方法的步骤。

根据本公开实施例的第四方面，提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现本公开实施例第一方面提供的医学影像的识别方法的步骤。

通过上述技术方案，本公开能够将待识别的医学影像输入当前的影像识别模型，以根据对该当前的影像识别模型输出的影像识别数据的验证结果，从当前的影像识别模型输出的影像识别数据中获取样本数据，该当前的影像识别模型为预先训练好的第一影像识别模型，该验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，该样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据；当该样本数据的数量达到第一预设数量时，通过该第一预设数量的该样本数据对该第一影像识别模型进行重训练，以获取第二影像识别模型；将该第一影像识别模型与该第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，该更新后的影像识别模型为该第二影像识别模型或者第三影像识别模型，该第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于该第一影像识别模型的影像识别模型；通过该更新后的影像识别模型对当前输入的医学影像进行识别。能够在得到医学影像识别结果的同时，通过该医学影像和该识别结果持续地对影像识别模型进行训练和更新，保证影像识别模型的可成长性、适应性和正确率。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是根据一示例性实施例示出的一种医学影像的识别方法的流程图；

图2是根据图1所示实施例示出的另一种医学影像的识别方法的流程图；

图3是根据图2所示实施例示出的又一种医学影像的识别方法的流程图；

图4是根据图3所示实施例示出的一种医学影像样本数据的获取方法的流程图；

图5是根据图3所示实施例示出的一种医学影像识别模型的更新方法的流程图；

图6是根据一示例性实施例示出的一种医学影像的识别装置的框图；

图7是根据图6所示实施例示出的另一种医学影像的识别装置的框图；

图8是根据图7所示实施例示出的又一种医学影像的识别装置的框图；

图9是根据图8所示实施例示出的一种样本获取模块的框图；

图10是根据图8所示实施例示出的一种模型更新模块的框图；

图11是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种医学影像的识别方法的流程图，如图1所示，该方法包括：

步骤101，将待识别的医学影像输入当前的影像识别模型，以根据对该当前的影像识别模型输出的影像识别数据的验证结果，从该当前的影像识别模型输出的影像识别数据中获取样本数据。

其中，该当前的影像识别模型为预先训练好的第一影像识别模型，该验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，该样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据。

另外，该待识别的医学影像可以为x光显影影像、ct(computerizedtomography，电脑断层扫描)影像、pet(positronemissiontomography，正子发射断层扫描)影像、nmri(nuclearmagneticresonanceimaging，核磁共振成像)以及医学超音波检查影像等。上述的医生可以为负责诊断和治疗的医务工作者或者负责管理医学影像拍摄设备的工作人员。上述的医学影像专家为能够对医学影像进行精准识别的医务工作者或研究人员，可以认为该医学影像专家对医学影像做出的识别结果一定正确。

示例地，该当前的影像识别模型可以为具备预设层数(优选为25层)的神经网络模型。该影像识别模型可以应用在医院的图像识别系统或者信息化管理系统中，例如，可以直接与上述多个种类的医学影像的拍摄设备连接，以接收这些拍摄设备生成的医学影像；和/或，与输入和扫描实体图片的设备连接，以获取操作者输入的医学影像，之后再将得到的结果输出至医生的电子设备上。

需要说明的是，该第一影像识别模型可以理解为(在整个影像识别系统或者信息化管理系统的建立阶段)已经完成初始化训练，并已经投入使用的影像识别模型。也就是说，该第一影像识别模型(配合医生的验证)已经具备对实际医疗过程中所涉及的医学影像进行识别和分析，并输出包含疾病诊断结果、病变区域以及病情严重程度等的诊断信息的能力。但是，由于医学影像的多样性，一次训练成型的影像识别模型可能会出现适应性不强、识别效果差的情况。因此，在该步骤101中，在通过该第一影像识别模型获得医学影像的正确的识别结果(即影像识别数据)的同时，还要收集未通过系统内的该置信度阈值以及医生验证的错误的识别结果(即验证结果为错误的影像识别数据)。在得到这些错误的识别结果后，通过为医学影像专家提供的修改接口，将上述的错误的识别结果修改为正确的识别结果。这些正确的识别结果，一方面用于在下列步骤102中(在达到一定数量后)对该第一影像识别模型进行重训练，另一方面还要将正确的识别结果经由医生提供给患者(毕竟医生还需要根据该识别结果对患者进行治疗)。

步骤102，当该样本数据的数量达到第一预设数量时，通过该第一预设数量的该样本数据对该第一影像识别模型进行重训练，以获取第二影像识别模型。

示例地，在实际的操作过程中，上述步骤101每次可以识别数量较少的医学影像，而对第一影像识别模型进行重训练大量的该样本数据，因此，在步骤102中需要对以获取到的该样本数据的数量进行确认，并在该样本数据的数量大到该第一预设数量(例如，500个)时，再进行模型重训练以获取该第二影像识别模型。可以理解的是，该第二影像识别模型与该第一影像识别模型的构造(可以为神经网络的层数)一致。

步骤103，将该第一影像识别模型与该第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型。

其中，该更新后的影像识别模型为该第二影像识别模型或者第三影像识别模型，该第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于该第一影像识别模型的影像识别模型。

示例地，该识别性能可以为将该第一影像识别模型与该第二影像识别模型分别在预设的医学影像数据集上测试所获取到的识别率。当该第二影像识别模型的性能优于该第一影像识别模型时，可以直接用该第二影像识别模型替换该第一影像识别模型，即获取到该更新后的影像识别模型；当该第一影像识别模型的性能优于该第二影像识别模型时，可以认为该第一影像识别模型本身的构造不适用于上述第一预设数量的样本数据对应的医学影像，此时则可以在模型库中选取与第一影像识别模型具备不同构造的一个初始模型并通过数据训练获得识别性能优于该第一影像识别模型的模型作为第三影像识别模型，并作为该更新后的影像识别模型。上述不同构造的影像识别模型可以理解为具备不同层数的神经网络的影像识别模型。

其中，该初始模型为在预先获取到的数据集上训练获取到的模型，当有新的数据集时可以重新训练模型，进而获得与该初始模型不同的新模型。并且，通过数据训练产生第三影像识别模型的方法与产生第一影像识别模型或第二影像识别模型的方法相似，其区别在于第三影像识别模型的结构与第一影像识别模型或第二影像识别模型的结构不同，但第一影像识别模型和第二影像识别模型的模型结构相同而模型参数不同。其中，所涉及到的识别模型由两部分组成，即模型结构(神经网络的层数、每层的神经元个数、每两层间神经元之间的连接关系)和模型参数(神经元之间连接的权值参数)。需要说明的是，模型重训练和更新的过程是先保持模型结构不变而仅仅尝试改变模型参数、后尝试改变模型结构并改变模型参数，目的是针对新数据集能够获得性能更好的识别模型。

步骤104，通过该更新后的影像识别模型对当前输入的医学影像进行识别。

示例地，此时上述的图像识别系统或者信息化管理系统中的图像识别模型已经被更新为该第二影像识别模型或者该第三影像识别模型。此后，可以通过该更新后的影像识别模型继续对输入的医学影像进行识别。

综上所述，本公开能够将待识别的医学影像输入当前的影像识别模型，以根据对该当前的影像识别模型输出的影像识别数据的验证结果，从当前的影像识别模型输出的影像识别数据中获取样本数据，该当前的影像识别模型为预先训练好的第一影像识别模型，该验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，该样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据；当该样本数据的数量达到第一预设数量时，通过该第一预设数量的该样本数据对该第一影像识别模型进行重训练，以获取第二影像识别模型；将该第一影像识别模型与该第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，该更新后的影像识别模型为该第二影像识别模型或者第三影像识别模型，该第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于该第一影像识别模型的影像识别模型；通过该更新后的影像识别模型对当前输入的医学影像进行识别。能够在得到医学影像识别结果的同时，通过该医学影像和该识别结果持续地对影像识别模型进行训练和更新，保证影像识别模型的可成长性、适应性和正确率。

图2是根据图1所示实施例示出的另一种医学影像的识别方法的流程图，如图2所示，在上述步骤104之后，该方法还可以包括：

步骤105，将该更新后的影像识别模型作为该当前的影像识别模型，循环执行从该将待识别的医学影像输入当前的影像识别模型，以根据对该当前的影像识别模型输出的影像识别数据的验证结果，从该当前的影像识别模型输出的影像识别数据中获取样本数据，到该通过该更新后的影像识别模型对当前输入的医学影像进行识别的步骤。

示例地，在实际的医学影像识别过程中，可以将上述的更新后的影像识别模型作为该当前的影像识别模型，继续对输入的医学影像进行识别，并在这个过程中循环执行上述步骤101至步骤104的模型更新过程，以实现影像识别模型的持续的动态变换。

图3是根据图2所示实施例示出的又一种医学影像的识别方法的流程图，如图3所示，在上述步骤101之前，该方法还可以包括：

步骤106，通过第二预设数量的训练数据对该第一影像识别模型进行训练。

其中，该训练数据包括：样本医学影像以及该样本医学影像对应的诊断信息，该诊断信息包括：疾病诊断结果，病变区域和病情严重程度中的至少一种。

示例地，该步骤106为出现在上述的在整个影像识别系统或者信息化管理系统的建立阶段，或者说该影像识别模型未投入使用时的初始化训练步骤。通过该初始化训练步骤后，该影像识别模型具备基础的影像识别功能。

图4是根据图3所示实施例示出的一种医学影像样本数据的获取方法的流程图，如图4所示，上述步骤101可以包括：步骤1011-1015，或者步骤1011、1016和1017，或者步骤1011、1016、1018、1019和1020。

步骤1011，将第一医学影像作为该当前的影像识别模型的输入，以获取该当前的影像识别模型输出的第一影像识别数据。

其中，该第一影像识别数据包括：该第一医学影像、该第一医学影像对应的诊断信息，以及该诊断信息的置信度，该诊断信息包括：疾病诊断结果、病变区域和病情严重程度中的至少一种。需要说明的是，该置信度可以为该诊断信息整体的置信度，或者该诊断信息中的所有结论对应的多个置信度，例如，该置信度可以包括:有疾病或无疾病(疾病诊断结果)的置信度、病变区域中像素点为病变像素点的置信度以及病情严重程度为初期、中期或者晚期的置信度。需要说明的是，当该置信度为多个时，下列的置信度阈值也相应的设置为多个，并在比对时进行分别比对，当多个该置信度中的任一置信度不满足相应的置信度阈值时，确定该第一影像识别数据的验证结果为错误。

步骤1012，当该置信度小于该置信度阈值时，确定该第一影像识别数据的验证结果为错误。

步骤1013，将该第一影像识别数据输出至第一交互接口，以使得医学影像专家通过该第一交互接口将该第一影像识别数据修改为第二影像识别数据。

步骤1014，将该第二影像识别数据作为该样本数据。

步骤1015，将该第二影像识别数据作为最终识别数据输出至第二交互接口，用于医生通过该第二交互接口获取该最终识别数据。

步骤1016，当该置信度大于或等于该置信度阈值时，将该第一影像识别数据输出至第二交互接口，以使医生通过该第二交互接口对该第一影像识别数据进行验证。

步骤1017，当通过该第二交互接口获取到该第一影像识别数据通过该医生的验证时，确定该第一影像识别数据为该最终识别数据。

步骤1018，当通过该第二交互接口获取到该第一影像识别数据未通过该医生的验证时，将该第一影像识别数据输出至该第一交互接口，以使得医学影像专家通过该第一交互接口将该第一影像识别数据修改为第三影像识别数据。

步骤1019，将该第三影像识别数据作为该样本数据。

步骤1020，将该第三影像识别数据作为该最终识别数据输出至第二交互接口，用于医生通过该第二交互接口获取该最终识别数据。

示例地，在将医学影像输入该第一图像识别模型后，输出的该第一影像识别数据需要通过两次验证，首先通过系统内预先设定的置信率阈值对该第一影像识别数据进行第一次验证，其次通过将该第一影像识别数据输出至第一交互接口(实际可以为具备显示和输入功能的电子设备)，由医生对该第一影像识别数据进行第二次验证。当在上述的两次验证中该第一影像识别数据由任一次未通过验证时，确定该第一影像识别数据的验证结果为错误，并通过将错误的第一影像识别数据输出至第二交互接口，由医学影像专家对该错误的第一影像识别数据进行修改，修改后的影像识别数据即为该样本数据。

另外，需要说明的是，医生所接收到的识别结果为系统推送的影像识别数据，实际上医生并不知道该影像识别数据经历过怎样的处理。而在本实施例中，设定为经医学影像专家修改后传送给医生的识别结果一定是正确的，为了避免医生对已经医学专家修改的该影像识别数据进行不必要的验证步骤，可以对经医学影像专家修改后传送给医生的识别结果中添加“经专家确认”的标注，医生确定接收到的识别结果中存在该标注时，可直接将该识别结果转交给患者，或者据此进行下一步的治疗。

图5是根据图3所示实施例示出的一种医学影像识别模型的更新方法的流程图，如图5所示，上述步骤103可以包括：步骤1031和1032，或者步骤1031、1033和1034。

步骤1031，将该第一影像识别模型与该第二影像识别模型的识别性能进行对比。

其中，该识别性能为通过预设的医学影像数据集对影像识别模型进行测试所获取到的识别率。

步骤1032，当该第一影像识别模型的识别性能小于该第二影像识别模型的识别性能时，将该第二影像识别模型作为该更新后的影像识别模型。

步骤1033，当该第一影像识别模型的识别性能大于或等于该第二影像识别模型的识别性能时，对从该模型库中选取的初始模型进行训练，以获取识别性能优于该第一影像识别模型的该第三影像识别模型。

示例地，该模型库可以为储存大量的已经构造完成的具备不同神经网络层数的备选影像识别模型的模型库，该第一影像识别模型也包含在其中。在从中获取该第三影像识别模型的过程中，可以通过上述的预设的医学影像数据集对该模型库中除该第一影像识别模型外的所有备选影像识别模型进行重训练和测试，并获取对应的识别率。再分别与该第一影像识别模型的识别率进行比对，以获取该第三影像识别模型。

步骤1034，将该第三影像识别模型作为该更新后的影像识别模型。

综上所述，本公开能够将待识别的医学影像输入当前的影像识别模型，以根据对该当前的影像识别模型输出的影像识别数据的验证结果，从当前的影像识别模型输出的影像识别数据中获取样本数据，该当前的影像识别模型为预先训练好的第一影像识别模型，该验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，该样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据；当该样本数据的数量达到第一预设数量时，通过该第一预设数量的该样本数据对该第一影像识别模型进行重训练，以获取第二影像识别模型；将该第一影像识别模型与该第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，该更新后的影像识别模型为该第二影像识别模型或者第三影像识别模型，该第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于该第一影像识别模型的影像识别模型；通过该更新后的影像识别模型对当前输入的医学影像进行识别。能够在对医学影像进行识别的过程中加入医生和医学影像专家的修改和判断步骤，并在得到医学影像识别结果的同时，通过该医学影像和正确的识别结果持续地对影像识别模型进行实时地训练和更新，保证影像识别模型的可成长性、适应性和正确率。

图6是根据一示例性实施例示出的一种医学影像的识别装置的框图，如图6所示，该装置600可以包括：

样本获取模块610，用于将待识别的医学影像输入当前的影像识别模型，以根据对该当前的影像识别模型输出的影像识别数据的验证结果，从当前的影像识别模型输出的影像识别数据中获取样本数据，该当前的影像识别模型为预先训练好的第一影像识别模型，该验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，该样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据；

模型重训练模块620，用于当该样本数据的数量达到第一预设数量时，通过该第一预设数量的该样本数据对该第一影像识别模型进行重训练，以获取第二影像识别模型；

模型更新模块630，用于将该第一影像识别模型与该第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，该更新后的影像识别模型为该第二影像识别模型或者第三影像识别模型，该第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于该第一影像识别模型的影像识别模型；

影像识别模块640，用于通过该更新后的影像识别模型对当前输入的医学影像进行识别。

图7是根据图6所示实施例示出的另一种医学影像的识别装置的框图，如图7所示，该装置600还包括：

循环更新模块650，用于将该更新后的影像识别模型作为该当前的影像识别模型，循环执行从该将待识别的医学影像输入当前的影像识别模型，以根据对该当前的影像识别模型输出的影像识别数据的验证结果，从该当前的影像识别模型输出的影像识别数据中获取样本数据，到该通过该更新后的影像识别模型对当前输入的医学影像进行识别的步骤。

图8是根据图7所示实施例示出的又一种医学影像的识别装置的框图，如图8所示，该装置600还包括：

模型训练模块660，用于通过第二预设数量的训练数据对该第一影像识别模型进行训练，该训练数据包括：样本医学影像以及该样本医学影像对应的诊断信息，该诊断信息包括：疾病诊断结果，病变区域和病情严重程度中的至少一种。

图9是根据图8所示实施例示出的一种样本获取模块的框图，如图9所示，该样本获取模块610，包括：

影像解析子模块6101，用于将第一医学影像作为该当前的影像识别模型的输入，以获取该当前的影像识别模型输出的第一影像识别数据，该第一影像识别数据包括：该第一医学影像、该第一医学影像对应的诊断信息以及该诊断信息的置信度，该诊断信息包括：疾病诊断结果，病变区域和病情严重程度中的至少一种；

第一数据判断子模块6102，用于当该置信度小于该置信度阈值时，确定该第一影像识别数据的验证结果为错误；

第一数据输出子模块6103，用于将该第一影像识别数据输出至第一交互接口，以使得医学影像专家通过该第一交互接口将该第一影像识别数据修改为第二影像识别数据；

第一数据获取子模块6104，用于获取该第二影像识别数据作为该样本数据；

第二数据输出子模块6105，用于将该第二影像识别数据作为最终识别数据输出至第二交互接口，用于医生通过该第二交互接口获取该最终识别数据；

或者，

第二数据判断子模块6106，用于当该置信度大于或等于该置信度阈值时，将该第一影像识别数据输出至第二交互接口，以使医生通过该第二交互接口对该第一影像识别数据进行验证；

第一数据验证子模块6107，用于当通过该第二交互接口获取到该第一影像识别数据通过该医生的验证时，确定该第一影像识别数据为最终识别数据；

第二数据验证子模块6108，用于当通过该第二交互接口获取到该第一影像识别数据未通过该医生的验证时，将该第一影像识别数据输出至第一交互接口，以使得医学影像专家通过该第一交互接口将该第一影像识别数据修改为第三影像识别数据；

第二数据获取子模块6109，用于将该第三影像识别数据作为该样本数据；

第二数据输出子模块6110，用于将该第三影像识别数据作为最终识别数据输出至第二交互接口，用于医生通过该第二交互接口获取该最终识别数据。

图10是根据图8所示实施例示出的一种模型更新模块的框图，如图10所示，该模型更新模块630，包括：

性能对比子模块631，用于将该第一影像识别模型与该第二影像识别模型的识别性能进行对比，该识别性能为通过预设的医学影像数据集对影像识别模型进行测试所获取到的识别率；

第一模型更新子模块632，用于当该第一影像识别模型的识别性能小于该第二影像识别模型的识别性能时，将该第二影像识别模型作为该更新后的影像识别模型；或者，

模型获取子模块633，用于当该第一影像识别模型的识别性能大于或等于该第二影像识别模型的识别性能时，对从该模型库中选取的初始模型进行训练，以获取识别性能优于该第一影像识别模型的该第三影像识别模型；

第二模型更新子模块634，用于将该第三影像识别模型作为该更新后的影像识别模型。

综上所述，本公开能够将待识别的医学影像输入当前的影像识别模型，以根据对该当前的影像识别模型输出的影像识别数据的验证结果，从当前的影像识别模型输出的影像识别数据中获取样本数据，该当前的影像识别模型为预先训练好的第一影像识别模型，该验证结果是利用预设的置信度阈值和由医生输入的判断结果确定的，该样本数据是由医学影像专家对验证结果为错误的影像识别数据进行修改后得到的数据；当该样本数据的数量达到第一预设数量时，通过该第一预设数量的该样本数据对该第一影像识别模型进行重训练，以获取第二影像识别模型；将该第一影像识别模型与该第二影像识别模型的识别性能进行对比，以获取更新后的影像识别模型，该更新后的影像识别模型为该第二影像识别模型或者第三影像识别模型，该第三影像识别模型为对从模型库中选取的初始模型进行训练获取到的识别性能优于该第一影像识别模型的影像识别模型；通过该更新后的影像识别模型对当前输入的医学影像进行识别。能够在对医学影像进行识别的过程中加入医生和医学影像专家的修改和判断步骤，并在得到医学影像识别结果的同时，通过该医学影像和正确的识别结果持续地对影像识别模型进行实时地训练和更新，保证影像识别模型的可成长性、适应性和正确率。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图11是根据一示例性实施例示出的一种电子设备1100的框图。如图11所示，该电子设备1100可以包括：处理器1101，存储器1102，多媒体组件1103，输入/输出(i/o)接口1104，以及通信组件1105。

其中，处理器1101用于控制该电子设备1100的整体操作，以完成上述的医学影像的识别方法中的全部或部分步骤。存储器1102用于存储各种类型的数据以支持在该电子设备1100的操作，这些数据例如可以包括用于在该电子设备1100上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器1102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(staticrandomaccessmemory，简称sram)，电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，简称eeprom)，可擦除可编程只读存储器(erasableprogrammableread-onlymemory，简称eprom)，可编程只读存储器(programmableread-onlymemory，简称prom)，只读存储器(read-onlymemory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件1103可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1102或通过通信组件1105发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口1104为处理器1101和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件1105用于该电子设备1100与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(nearfieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件1105可以包括：wi-fi模块，蓝牙模块，nfc模块。

在一示例性实施例中，电子设备1100可以被一个或多个应用专用集成电路(applicationspecificintegratedcircuit，简称asic)、数字信号处理器(digitalsignalprocessor，简称dsp)、数字信号处理设备(digitalsignalprocessingdevice，简称dspd)、可编程逻辑器件(programmablelogicdevice，简称pld)、现场可编程门阵列(fieldprogrammablegatearray，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的医学影像的识别方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器1102，上述程序指令可由电子设备1100的处理器1101执行以完成上述的医学影像的识别方法。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，本领域技术人员在考虑说明书及实践本公开后，容易想到本公开的其它实施方案，均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。同时本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。本公开并不局限于上面已经描述出的精确结构，本公开的范围仅由所附的权利要求来限制。