[发明专利]医学图像的标注资格确定方法及装置

说明书

本发明实施例公开的医学图像的标注资格确定方法，通过当接收到任一用户输入的标注资格请求时，显示测试界面，随机调用n张用于测试所述用户的医学图像，获取所述用户对每一所述医学图像的标注结果；其中，所述n张用于测试所述用户的医学图像均具有正确标注结果；其中，n≥5；将所述用户对每一所述医学图像的标注结果与所述正确标注结果进行比对，获取所述用户对所述n张具有正确标记结果的医学图像的标注正确率；当判断所述标注正确率大于预设的第一阈值时，则确定所述用户具有标注资格，则可通过统一的测试筛选标注资格，能够保证标注工作者的水平，保证后续标注质量的一致性和稳定性。

技术领域

本发明涉及智能医疗领域，尤其涉及一种医学图像的标注资格确定方法及装置、计算机可读存储介质。

背景技术

人工智能应用于医学图像场景的分析前，需要带有高质量标注信息的医学图像大数据资源。海量的医学自然图像，例如影像学、学等图像。医疗数据质量参差不齐，而自然图像需要医学专业人员的人工清洗、整理及标注。目前在医学自然图像识别上，不同地区、不同医院的不同医生之间医疗水平不均等。对于偏远地区、小医院、低年资的医生来说，在同一医学自然图像上的差异性较大。即便是大型三甲医院中，许多医生对同一医学自然图像上的共识也有一定的差距。标注质量的不一致性，对于医学数据的整理及机器学习训练的前期数据库是极其的不稳定。标注数据的高质量保证了后期机器学习训练后的结果。目前现有的模式，多为一家数据公司联合一家或几家大型医院。大型医院中筛选出一个或几个的中高年资医生作为训练机器学习模型的标注医生。在选择上存在一定的主观性及偏倚性。对于训练数据模型的结果，可靠性较差。

发明内容

本发明实施例提供一种医学图像的标注资格确定方法及装置，能有效解决现有的标注水平参差不齐而使得机器学习模型的训练数据质量不稳定的问题，使得训练数据通过统一标准的工作人员获得，提高机器学习模型可靠性。

本发明一实施例提供一种医学图像的标注资格确定方法，包括步骤：

当接收到任一用户输入的标注资格请求时，显示测试界面，随机调用n张用于测试所述用户的医学图像，获取所述用户对每一所述医学图像的标注结果；其中，所述n张用于测试所述用户的医学图像均具有正确标注结果；其中，n≥5；

将所述用户对每一所述医学图像的标注结果与所述正确标注结果进行比对，获取所述用户对所述n张具有正确标记结果的医学图像的标注正确率；

当判断所述标注正确率大于预设的第一阈值时，则确定所述用户具有标注资格。

与现有技术相比，本发明实施例公开的医学图像的标注资格确定方法，通过当接收到任一用户输入的标注资格请求时，显示测试界面，随机调用n张用于测试所述用户的医学图像，获取所述用户对每一所述医学图像的标注结果；其中，所述n张用于测试所述用户的医学图像均具有正确标注结果；其中，n≥5；将所述用户对每一所述医学图像的标注结果与所述正确标注结果进行比对，获取所述用户对所述n张具有正确标记结果的医学图像的标注正确率；当判断所述标注正确率大于预设的第一阈值时，则确定所述用户具有标注资格，则可通过统一的测试筛选标注资格，能够保证标注工作者的水平，保证后续标注质量的一致性和稳定性。

作为上述方案的改进，所述方法还包括：

所述获取所述用户对所述n张具有正确标记结果的医学图像的标注正确率：

将所述用户对所述医学图像的标注结果与所述正确标注结果相一致的个数与n相除，获取所述用户对所述n张具有正确标记结果的医学图像的标注正确率。

作为上述方案的改进，所述方法还包括：

所述方法还包括步骤：

当判断所述标注正确率小于预设的第一阈值时，判断所述标注正确率是否大于预设的第二阈值；