1.一种用于分析医疗过程的医学图像数据的系统，其中所述系统包括：
非暂时性计算机可读介质，其上存储有用于分析所述医疗过程的医疗图像数据的程序指令；和
至少一个处理器，其在执行所述程序指令时被配置为：
接收一系列图像中的至少一个图像；
确定何时所述至少一个图像中存在至少一个感兴趣对象(OOI)，并且
当存在至少一个OOI时，确定所述至少一个OOI的分类，其中使用至少一个机器学习模型来执行所述两个确定；
在所述医疗过程期间在显示器上向用户显示所述至少一个图像和任何确定的OOI；
在所述医疗过程期间从所述用户接收包括语音的输入音频信号，并识别所述语音；
当所述语音在所述医疗过程期间被识别为对所述至少一个图像的注释时，使用语音到文本转换算法将所述语音转换为至少一个文本串；
将所述至少一个文本串与提供来自所述用户的语音的至少一个图像相匹配；和生成将所述至少一个文本串链接到相应的至少一个图像的至少一个注释图像。
2.根据权利要求1所述的系统，其中所述至少一个处理器还被配置为，当所述语音被识别为具有与所述至少一个OOI以相同分类而分类的OOI的至少一个参考图像的请求时，显示所述至少一个参考图像，并从所述用户接收确认或否定所述至少一个OOI的分类的输入。
3.根据权利要求1或权利要求2所述的系统，其中所述至少一个处理器还被配置为，当所述至少一个OOI被分类为可疑时，从所述用户接收指示针对具有未确定OOI的至少一个图像的用户分类的输入。
4.根据权利要求1至3中任一项所述的系统，其中所述至少一个处理器还被配置为自动生成包括所述至少一个注释图像的报告。
5.根据权利要求1至4中任一项所述的系统，其中所述至少一个处理器还被配置为，对于给定图像中的给定OOI：
识别与所述给定图像中的给定OOI相关联的边界框的边界框坐标；
基于所述给定OOI的分类的概率分布来计算置信度得分；和
当所述置信度得分高于置信度阈值时，在所述边界框坐标处将边界框覆盖在所述至少一个图像上。
6.根据权利要求1至5中任一项所述的系统，其中所述至少一个处理器被配置为通过以下方式确定OOI的分类：
通过执行卷积、激活和池化操作将卷积神经网络(CNN)应用于所述OOI以生成矩阵；
通过使用所述卷积、激活和池化操作处理所述矩阵来生成特征向量；和
基于所述特征向量来执行所述OOI的分类。
7.根据权利要求1至6中任一项所述的系统，其中所述至少一个处理器还被配置为在生成所述至少一个注释图像时将时间戳覆盖在相应的至少一个图像上。
8.根据权利要求4至7中任一项所述的系统，其中所述至少一个处理器还被配置为在显示器上或在所述报告中实时指示所述至少一个图像的置信度得分。
9.根据权利要求1至8中任一项所述的系统，其中所述至少一个处理器被配置为在所述医疗过程期间通过以下方式接收所述输入音频：
在检测到第一用户动作时启动从所述用户接收用于输入音频的音频流，所述第一用户动作包括：
暂停所述一系列图像的显示；
拍摄所述一系列图像中的给定图像的快照；或
提供初始语音命令；和
在检测到第二用户动作时结束对所述音频流的接收，所述第二用户动作包括：
在预定的长度内保持沉默；
按下指定的按钮；或
提供最终语音命令。
10.根据权利要求1至9中任一项所述的系统，其中所述至少一个处理器还被配置为在所述医疗过程期间接收所述输入音频时存储所述一系列图像，从而指定所述至少一个图像接收注释数据，以生成相应的至少一个注释图像。
11.根据权利要求4至10中任一项所述的系统，其中所述至少一个处理器还被配置为通过以下方式生成所述医疗过程的报告：
捕获要添加到所述报告的一组患者信息数据；
加载包括所述至少一个注释图像的一系列图像的子集；和
将所述一组患者信息数据与包括所述至少一个注释图像的一系列图像的子集组合到所述报告中。
12.根据权利要求1至11中任一项所述的系统，其中所述至少一个处理器还被配置为通过以下方式执行对所述至少一个机器学习模型的训练：
将编码器应用于至少一个训练图像，以生成用于所述至少一个训练图像中的训练OOI的至少一个特征向量；
通过将所述至少一个特征向量应用于所述至少一个机器学习模型来选择用于所述训练OOI的类；和
使用解码器，通过将所述至少一个特征向量与所述至少一个训练图像和用于训练所述至少一个机器学习模型所选择的类相关联来重构标记的训练图像。
13.根据权利要求12所述的系统，其中所述类是健康组织类、不健康组织类、可疑组织类或未聚焦组织类。
14.根据权利要求12或权利要求13所述的系统，其中所述至少一个处理器还被配置为：
使用训练数据集来训练所述至少一个机器学习模型，所述训练数据集包括标记的训练图像、未标记的训练图像或标记的和未标记的训练图像的混合，所述图像包括按健康组织、不健康组织、可疑组织和未聚焦组织分类的示例。
15.根据权利要求12至14中任一项所述的系统，其中所述至少一个处理器还被配置为通过使用监督学习、无监督学习或半监督学习来训练所述至少一个机器学习模型。
16.根据权利要求14或权利要求15所述的系统，其中所述训练数据集还包括所述不健康组织和所述可疑组织中的每一个的子类别。
17.根据权利要求12至16中任一项所述的系统，其中所述至少一个处理器还被配置为通过以下方式创建所述至少一个机器学习模型：
接收训练图像作为对所述编码器的输入；
使用所述编码器将所述训练图像投影到作为特征空间的一部分的特征中；
使用分类器将所述特征映射到一组目标类；
识别所述训练图像的形态特征以生成新的训练数据集，所述新的训练数据集具有将参数链接到所述训练图像的数据；和
基于所述形态特征来确定存在一个或多个映射类还是不存在映射类。
18.根据权利要求17所述的系统，其中所述至少一个处理器还被配置为通过以下方式确定所述至少一个OOI的分类：
接收所述特征中的一个或多个作为对所述解码器的输入；
使用反卷积神经网络将所述特征之一映射到未标记的数据集上；和
使用所述解码器从所述特征之一重构新的训练图像，以训练所述至少一个机器学习模型。
19.根据权利要求1至18中任一项所述的系统，其中所述至少一个处理器还被配置为使用语音数据集来训练所述语音到文本转换算法，所述语音数据集包括地面实况文本和所述地面实况文本的音频数据，以将新的音频数据与所述语音集进行比较，从而识别与所述地面实况文本的匹配。
20.根据权利要求1至19中任一项所述的系统，其中所述语音到文本转换算法将所述至少一个OOI映射到多个OOI医学术语中的一个。
21.根据权利要求1至20中任一项所述的系统，其中所述医学图像数据是从一个或多个内窥镜检查过程、一个或多个MRI扫描、一个或多个CT扫描、一个或多个X射线、一个或多个超声波检查、一个或多个核医学图像或一个或多个组织学图像获得的。
22.一种用于训练至少一个机器学习模型以用于分析医疗过程的医学图像数据和语音到文本转换算法的系统，其中所述系统包括：
非暂时性计算机可读介质，其上存储有用于训练所述机器学习模型的程序指令；和至少一个处理器，其在执行所述程序指令时被配置为：
将编码器应用于至少一个训练图像，以生成所述至少一个培训图像中的训练感兴趣对象(OOI)的至少一个特征；
通过将所述至少一个特征应用于所述至少一个机器学习模型来选择用于所述训练OOI的类；
使用解码器，通过将所述至少一个特征与所述训练图像和用于训练所述至少一个机器学习模型所选择的类相关联来重构标记的训练图像；
训练所述语音到文本转换算法，以使用包括所述地面实况文本和所述地面实况文本的音频数据的语音数据集来识别新的音频数据和所述地面实况文本之间的匹配，从而生成至少一个文本串；和
将所述训练OOI和所述至少一个文本串覆盖在注释图像上。
23.根据权利要求22所述的系统，其中所述类是健康组织类、不健康组织类、可疑组织类或未聚焦组织类。
24.根据权利要求22或权利要求23所述的系统，其中所述至少一个处理器还被配置为：
使用训练数据集来训练所述至少一个机器学习模型，所述训练数据集包括标记的训练图像、未标记的训练图像或标记的和未标记的训练图像的混合，所述图像包括按健康组织、不健康组织、可疑组织和未聚焦组织分类的示例。
25.根据权利要求22至24中任一项所述的系统，其中所述至少一个处理器还被配置为通过使用监督学习、无监督学习或半监督学习来训练所述至少一个机器学习模型。
26.根据权利要求24或权利要求25所述的系统，其中所述训练数据集还包括所述不健康组织和所述可疑组织中的每一个的子类别。
27.根据权利要求22至26中任一项所述的系统，其中所述至少一个处理器还被配置为通过以下方式创建所述至少一个机器学习模型：
接收训练图像作为对所述编码器的输入；
使用所述编码器将所述训练图像投影到包括特征的特征空间中；
使用分类器将所述特征映射到一组目标类；
识别所述训练图像的形态特征以生成训练数据集，所述训练数据集具有将参数链接到所述训练图像的数据；和
基于所述形态特征来确定存在一个或多个映射类还是不存在映射类。
28.根据权利要求22至27中任一项所述的系统，其中所述至少一个处理器还被配置为：
接收所述特征中的一个或多个作为对所述解码器的输入；
使用反卷积神经网络将所述特征之一映射到未标记的数据集上；和
使用所述解码器从所述特征之一重构新的训练图像，以训练所述至少一个机器学习模型。
29.根据权利要求22至28中任一项所述的系统，其中所述语音到文本转换算法将所述至少一个OOI映射到多个OOI医学术语中的一个。
30.根据权利要求22至29中任一项所述的系统，其中所述至少一个处理器还被配置为：
当基于产生与所述至少一个文本串匹配的输入音频的所述语音到文本转换算法确定与所述OOI相关联的至少一个文本串是所述OOI的地面实况时，从在分析所述医学图像数据时检测到的感兴趣对象(OOI)生成至少一个新的训练图像。
31.根据权利要求22至30中任一项所述的系统，其中所述至少一个处理器还被配置为：
当基于产生与所述至少一个文本串匹配的输入音频的所述语音到文本转换算法确定与所述OOI相关联的至少一个文本串不是所述OOI的地面实况时，从在分析所述医学图像数据时检测到的感兴趣对象(OOI)生成至少一个新的训练图像。
32.根据权利要求22至31中任一项所述的系统，其中对从一个或多个内窥镜检查过程、一个或多个MRI扫描、一个或多个CT扫描、一个或多个X射线、一个或多个超声波检查、一个或多个核医学图像或一个或多个组织学图像获得的医学图像数据执行训练。
33.一种用于分析医疗过程的医学图像数据的方法，其中所述方法包括：
接收一系列图像中的至少一个图像；
确定何时所述至少一个图像中存在至少一个感兴趣对象(OOI)，并且当存在至少一个OOI时，确定所述至少一个OOI的分类，其中使用至少一个机器学习模型来执行所述两个确定；
在所述医疗过程期间在显示器上向用户显示所述至少一个图像和任何确定的OOI；
在所述医疗过程期间从所述用户接收包括语音的输入音频信号，并识别所述语音；
当所述语音在所述医疗过程中被识别为对所述至少一个图像的注释时，使用语音到文本转换算法将所述语音转换为至少一个文本串；
将所述至少一个文本串与提供来自所述用户的语音的至少一个图像相匹配；和生成将所述至少一个文本串链接到相应的至少一个图像的至少一个注释图像。
34.根据权利要求33所述的方法，还包括：当所述语音被识别为包括对具有所述分类的至少一个参考图像的请求时，显示具有与所述至少一个OOI以相同分类而分类的OOI的所述至少一个参考图像，并从所述用户接收确认或否定所述至少一个OOI的分类的输入。
35.根据权利要求33或34所述的方法，还包括：当所述至少一个OOI被分类为可疑时，从所述用户接收指示针对具有未确定OOI的至少一个图像的用户分类的输入。
36.根据权利要求33至36中任一项所述的方法，还包括：自动生成包括所述至少一个注释图像的报告。
37.根据权利要求33至36中任一项所述的方法，还包括：对于给定图像中的给定OOI：
识别与所述给定图像中的给定OOI相关联的边界框的边界框坐标；
基于所述给定OOI的分类的概率分布来计算置信度得分；和
当所述置信度得分高于置信度阈值时，在所述边界框坐标处将边界框覆盖在所述至少一个图像上。
38.根据权利要求33至37中任一项所述的方法，其中确定所述OOI的分类包括：
通过执行卷积、激活和池化操作将卷积神经网络(CNN)应用于所述OOI以生成矩阵；
通过使用所述卷积、激活和池化操作处理所述矩阵来生成特征向量；和
基于所述特征向量来执行所述OOI的分类。
39.根据权利要求33至38中任一项所述的方法，还包括：在生成所述至少一个注释图像时将时间戳覆盖在相应的至少一个图像上。
40.根据权利要求33至39中任一项所述的方法，还包括：在显示器上或在所述报告中实时指示所述至少一个图像的置信度得分。
41.根据权利要求33至40中任一项所述的方法，其中在所述医疗过程期间接收所述输入音频包括：
在检测到第一用户动作时启动从所述用户接收用于输入音频的音频流，所述第一用户动作包括：
暂停所述一系列图像的显示；
拍摄所述一系列图像中的给定图像的快照；或
提供初始语音命令；和
在检测到第二用户动作时结束对所述音频流的接收，所述第二用户动作包括：
在预定的长度内保持沉默；
按下指定的按钮；或
提供最终语音命令。
42.根据权利要求33至41中任一项所述的方法，还包括：在所述医疗过程期间接收所述输入音频时存储所述一系列图像，从而指定所述至少一个图像接收注释数据，以生成相应的至少一个注释图像。
43.根据权利要求33至42中任一项所述的方法，还包括通过以下方式生成所述医疗过程的报告：
捕获要添加到所述报告的一组患者信息数据；
加载包括所述至少一个注释图像的一系列图像的子集；
将所述一组患者信息数据与包括所述至少一个注释图像的一系列图像的子集组合到所述报告中。
44.根据权利要求33至43中任一项所述的方法，还包括：通过以下方式执行对所述至少一个机器学习模型的训练：
将编码器应用于至少一个训练图像，以生成用于所述至少一个训练图像中的训练OOI的至少一个特征向量；
通过将所述至少一个特征向量应用于所述至少一个机器学习模型来选择用于所述训练OOI的类；和
使用解码器，通过将所述至少一个特征向量与所述至少一个训练图像和用于训练所述至少一个机器学习模型所选择的类相关联来重构标记的训练图像。
45.根据权利要求44所述的方法，其中所述类是健康组织类、不健康组织类，可疑组织类或未聚焦组织类。
46.根据权利要求44或权利要求45所述的方法，还包括：
使用训练数据集来训练所述至少一个机器学习模型，所述训练数据集包括标记的训练图像、未标记的训练图像或标记的和未标记的训练图像的混合，所述图像包括按健康组织、不健康组织、可疑组织和未聚焦组织分类的示例。
47.根据权利要求44至46中任一项所述的方法，其中训练所述至少一个机器学习模型包括使用监督学习、无监督学习或半监督学习。
48.根据权利要求46或权利要求47所述的方法，其中所述训练数据集还包括所述不健康组织和所述可疑组织中的每一个的子类别。
49.根据权利要求44至48中任一项所述的方法，还包括：通过以下方式创建所述至少一个机器学习模型：
接收训练图像作为对所述编码器的输入；
使用所述编码器将所述训练图像投影到作为特征空间的一部分的特征中；
使用分类器将所述特征映射到一组目标类；
识别所述训练图像的形态特征以生成新的训练数据集，所述新的训练数据集具有将参数链接到所述训练图像的数据；和
基于所述形态特征来确定存在一个或多个映射类还是不存在映射类。
50.根据权利要求49所述的方法，其中确定所述至少一个OOI的分类包括：
接收所述特征中的一个或多个作为对所述解码器的输入；
使用反卷积神经网络将所述特征之一映射到未标记的数据集上；和
使用所述解码器从所述特征之一重建新的训练图像，以训练所述至少一个机器学习模型。
51.根据权利要求43至50中任一项所述的方法，还包括：使用语音数据集来训练所述语音到文本转换算法，所述语音数据集包括地面实况文本和所述地面实况文本的音频数据，以将新的音频数据与所述语音集进行比较，从而识别与所述地面实况文本的匹配。
52.根据权利要求43至51中任一项所述的方法，其中所述语音到文本转换算法将所述至少一个OOI映射到多个OOI医学术语中的一个。
53.根据权利要求33至52中任一项所述的方法，其中所述医学图像数据是从一个或多个内窥镜检查过程、一个或多个MRI扫描、一个或多个CT扫描、一个或多个X射线、一个或多个超声波检查、一个或多个核医学图像或一个或多个组织学图像获得的。
54.一种用于训练至少一个机器学习模型以用于分析医疗过程的医学图像数据和语音到文本转换算法的方法，其中所述方法包括：
将编码器应用于至少一个训练图像，以生成所述至少一个培训图像中的训练感兴趣对象(OOI)的至少一个特征；
通过将所述至少一个特征应用于所述至少一个机器学习模型来选择用于所述训练OOI的类；
使用解码器，通过将所述至少一个特征与所述训练图像和用于训练所述至少一个机器学习模型所选择的类相关联来重构标记的训练图像；
训练所述语音到文本转换算法，以使用包括所述地面实况文本和所述地面实况文本的音频数据的语音数据集来识别新的音频数据和所述地面实况文本之间的匹配，从而生成至少一个文本串；和
将所述训练OOI和所述至少一个文本串覆盖在注释图像上。
55.根据权利要求54所述的方法，其中所述类是健康组织类、不健康组织类、可疑组织类或未聚焦组织类。
56.根据权利要求54或权利要求55所述的方法，还包括：
使用训练数据集来训练所述至少一个机器学习模型，所述训练数据集包括标记的训练图像、未标记的训练图像或标记的和未标记的训练图像的混合，所述图像包括按健康组织、不健康组织、可疑组织和未聚焦组织分类的示例。
57.根据权利要求54至56中任一项所述的方法，其中训练所述至少一个机器学习模型包括使用监督学习、无监督学习或半监督学习。
58.根据权利要求56或权利要求57所述的方法，其中所述训练数据集还包括所述不健康组织和所述可疑组织中的每一个的子类别。
59.根据权利要求54至58中任一项所述的方法，还包括：通过以下方式创建所述至少一个机器学习模型：
接收训练图像作为对所述编码器的输入；
使用所述编码器将所述训练图像投影到包括特征的特征空间中；
使用分类器将所述特征映射到一组目标类；
识别所述训练图像的形态特征以生成训练数据集，所述训练数据集具有将参数链接到所述训练图像的数据；和
基于所述形态特征来确定存在一个或多个映射类还是不存在映射类。
60.根据权利要求54至59中任意一项所述的方法，该方法还包括：
接收所述特征中的一个或多个作为对所述解码器的输入；
使用反卷积神经网络将所述特征之一映射到未标记的数据集上；和
使用所述解码器从所述特征之一重构新的训练图像，以训练所述至少一个机器学习模型。
61.根据权利要求54至60中任一项所述的方法，其中所述语音到文本转换算法将所述至少一个OOI映射到多个OOI医学术语中的一个。
62.根据权利要求54至61中任一项所述的方法，还包括：当基于产生与所述至少一个文本串匹配的输入音频的所述语音到文本转换算法确定与所述OOI相关联的至少一个文本串是所述OOI的地面实况时，从在分析所述医学图像数据时检测到的感兴趣对象(OOI)生成至少一个新的训练图像。
63.根据权利要求54至62中任一项所述的方法，还包括：当基于产生与所述至少一个文本串匹配的输入音频的所述语音到文本转换算法确定与所述OOI相关联的至少一个文本串不是所述OOI的地面实况时，从在分析所述医学图像数据时检测到的感兴趣对象(OOI)生成至少一个新的训练图像。
64.根据权利要求54至63中任一项所述的方法，其中对从一个或多个内窥镜检查过程、一个或多个MRI扫描、一个或多个CT扫描、一个或多个X射线、一个或多个超声波检查、一个或多个核医学图像或一个或多个组织学图像获得的医学图像数据执行训练。