[发明专利]线上线下融合的医疗影像质量判读方法、系统及存储介质

权利要求书

1.一种线上线下融合的医疗影像质量判读方法，其特征在于，应用于医疗影像采集设备，所述医疗影像采集设备采用线上模式；所述方法包括：

实时采集医疗影像；

加载医疗云端服务器上传的已训练好的医学图像伪影自动识别模型，并利用所述医学图像伪影自动识别模型对采集的医疗影像的质量进行自动判读，得到所述医疗影像的质量判读结果；

将所述医疗影像和所述质量判读结果上传至图像存档和通讯系统，以便所述图像存档和通讯系统保存；

在接收到所述医疗云端服务器上传的修正后的最优模型之后，加载所述最优模型，利用所述最优模型对采集的医疗影像的质量进行自动判读；所述最优模型由所述医疗云端服务器基于从图像存档和通讯系统获取的所述医疗影像和所述医疗影像的质量判读结果对所述已训练好的医学图像伪影自动识别模型修正得到；所述图像存档和通讯系统以及所述医疗云端服务器采用线下模式。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：所述图像存档和通讯系统接收人工对所述质量判读结果的校正结果；

相应地，所述最优模型由所述医疗云端服务器基于从图像存档和通讯系统获取的所述医疗影像和所述校正结果对所述已训练好的医学图像伪影自动识别模型修正得到。

3.如权利要求1所述的方法，其特征在于，训练医学图像伪影自动识别模型，包括：

训练多个基于深度学习的分类器；每个分类器具有的网络结构不同；

集成多个分类器，得到医学图像伪影自动识别模型。

4.如权利要求3所述的方法，其特征在于，所述训练多个基于深度学习的分类器，包括：

获取包括医疗影像的数据集，并将所述数据集按预设比例划分为训练集、验证集和测试集；

获取多个具有不同网络结构的经过深度学习的预训练模型；

针对每个预训练模型，以迁移所述预训练模型作为初始化权重，调整全连接层网络结构和类别数，得到与所述预训练模型对应的分类器；

针对每个分类器，利用所述训练集对所述分类器进行微调，以重新训练所述分类器的网络参数；利用所述验证集调节所述分类器的超参数，并监控所述分类器是否过拟合，选取在所述验证集上表现最优的迭代次数所对应的权重作为所述分类器的最优参数。

5.如权利要求3所述的方法，其特征在于，所述集成多个分类器，得到医学图像伪影自动识别模型，包括：

获取各个分类器在所述验证集上的模型性能评价指标；

按照所述模型性能评价指标对所述分类器进行排序；

集成排名靠前的N个分类器，得到集成模型，将所述集成模型作为医学图像伪影自动识别模型，其中，N为大于1的正整数。

6.如权利要求4所述的方法，其特征在于，所述最优模型由所述医疗云端服务器基于从图像存档和通讯系统获取的所述医疗影像和所述医疗影像的质量判读结果对所述已训练好的医学图像伪影自动识别模型修正得到，包括：

医疗云端服务器从图像存档和通讯系统获取所述医疗影像和所述医疗影像的质量判读结果，以所述医疗影像和所述医疗影像的质量判读结果作为训练数据；

以所述已训练好的医疗影像伪影自动识别模型作为基本模型，采用迁移学习方法加载所述基本模型的各网络层权重；

按照所述训练数据对基本模型的各网络层权重进行微调，根据反向传播误差信息更新权重矩阵，得到最优全局参数矩阵，完成模型的一次修正过程，作为当前最优模型；

当有新数据输入时，模型会进行下一轮迭代，在上一轮最优模型的基础上，按上述修正过程微调更新权重参数，优化得到新一轮修正后的最优模型；经多轮迭代，得到修正后的最优模型。

7.如权利要求6所述的方法，其特征在于，在多次模型的修正过程中加入提升策略，所述提升策略包括：在下一次模型的修正中，降低本次模型的修正中判别正确的样本的权重，提高本次模型的修正中判别错误的错分样本的权重，所述错分样本为人工校正过的样本。