肿瘤预测方法、装置、云平台及计算机可读存储介质制造方法及图纸

本申请实施例公开了肿瘤预测方法、装置、云平台及计算机可读存储介质，该肿瘤预测方法在云平台上执行，并且包括：调用所获取的目标预测模型对所获取的目标患者的目标图像进行分割以得到含有肿瘤区域的分割图像；从所得到的所述分割图像中提取高维特征和深度特征；按照预设条件对所述高维特征和所述深度特征进行筛选处理；调用所述目标预测模型对筛选出的所述深度特征和所述高维特征进行融合以得到融合特征，并且根据所述融合特征预测所述目标患者的肿瘤分类。通过本申请实施例提供的技术方案，可以提高肿瘤分类预测结果的准确性，并且可以高效辅助医生进行诊断。

Tumor prediction methods, devices, cloud platforms and computer-readable storage media

【技术实现步骤摘要】
肿瘤预测方法、装置、云平台及计算机可读存储介质
本申请涉及医学数据处理
，特别涉及一种肿瘤预测方法、装置、云平台及计算机可读存储介质。
技术介绍
无论在细胞形态上，还是在组织结构上，肿瘤组织都与其发源的正常组织有不同程度的差异，这种差异称为异型性。异型性的大小可以用肿瘤组织分化成熟的程度来表示。肿瘤组织异型性小，说明其分化程度高，则其恶性程度低；反之，说明肿瘤组织分化程度低，则其恶性程度高。恶性肿瘤分为早期、中期和晚期，早期的恶性肿瘤大多可以治愈，中期的恶性肿瘤可以减轻痛苦，延长生命，因此肿瘤分类预测显得尤为重要。目前，主要使用影像组学的方法来进行肿瘤分类预测，该方法主要通过在计算机断层成像(ComputedTomography，简称CT)、磁共振成像(MagneticResonanceImaging，简称MRI)、正电子发射断层成像(PositronEmissionTomography，简称PET)等医学影像中的感兴趣区域提取大量的定量影像特征，利用机器学习方法对这些定量影像特征进行筛选、分析，选择出与临床问题相关联最有价值的特征，利用选择出的特征构建模型，并且利用所构建的模型进行肿瘤的诊断和临床表型预测。在实现本申请过程中，专利技术人发现现有技术中至少存在如下问题：(1)现有的影像组学方法需要在多个系统或软件上实现不同的处理步骤，例如，在3Dslicer、Mazda等图像处理软件上进行肿瘤区域的分割，然后将结果导入到MATLAB、Python等软件上训练模型，最后利用SPSS、R等软件绘制曲线下面积(AreaUnderCurve，简称AUC)、生存曲线等。这种方式不仅需要配置多个软件下所需的繁琐环境，多系统处理也使得数据的收集和整理工作变得繁重，易造成数据丢失、数据信息不全、数据无法共享等问题。(2)现有的影像组学方法一般采用单个数据中心中的影像数据进行试验，这使得所建立的肿瘤分类预测模型可重复性、通用性、抗干扰性较低并且难以广泛使用。(3)现有的影像组学方法基本只针对某一种肿瘤(例如，肾癌或肺癌)进行图像的逐层手动勾画分割，从勾画出的分割区域中提取出灰度强度特征、三维形状特征、纹理特征以及小波特征等高维特征，再利用这些高维特征进行分析研究。然而，由于不同的肿瘤之间存在着较大的差异性，提取相同的特征无法充分表达不同肿瘤区域的深层信息和隐藏信息。因此，现有的影像组学方法对于不同的肿瘤不具有普适性。(4)在现有的影像组学技术中，肿瘤的精确快速分割是一个极大的挑战。在精准性方面，仍然以医生的手动分割结果为金标准，这很大程度上依赖医生的专业和经验，可复现率低。传统的手动分割方法主要由专业的影像科医生进行手动分割，但他们无法大批量地处理病人的影像数据，无法避免耗时耗力的局限性。即便是采用半自动分割方法，也需要医生对每个病人的多张图像数据进行目标区域和背景区域的标注，虽然降低了医生的操作频率，但这仍然耗时费力。
技术实现思路
本申请实施例的目的是提供一种肿瘤预测方法、装置、云平台及计算机可读存储介质，以解决现有技术中存在的至少一种问题。为了解决上述技术问题，本申请实施例提供了一种肿瘤预测方法，该肿瘤预测方法可以在云平台上执行，并且可以包括：调用所获取的目标预测模型对所获取的目标患者的目标图像进行分割以得到含有肿瘤区域的分割图像；从所得到的所述分割图像中提取高维特征和深度特征；按照预设条件对所述高维特征和所述深度特征进行筛选处理；调用所述目标预测模型对筛选出的所述深度特征和所述高维特征进行融合以得到融合特征，并且根据所述融合特征预测所述目标患者的肿瘤分类。可选地，所述目标预测模型通过以下方式获取：从外部装置或本地获取所述目标预测模型。可选地，从本地获取所述目标预测模型包括：利用所获取的样本影像数据对预先构建的机器学习模型进行训练和验证，所述样本影像数据包括训练数据和验证数据，并且与所述目标图像相匹配；将训练效果达到最优并且通过验证的所述机器学习模型确定为所述目标预测模型。可选地，在对所述机器学习模型进行训练之前，所述肿瘤预测方法包括：从本地数据库中选取预先存储的所述样本影像数据；或者通过对所接收的患者数据进行处理来获得所述样本影像数据。可选地，通过对所接收的患者数据进行处理来获得所述样本影像数据包括：对所接收的患者数据进行格式解析；按照预设标准从解析后的患者数据中选取所述样本影像数据。可选地，所述预设标准包括所述患者数据是否完整、是否经过临床验证以及是否满足临床指标。可选地，按照预设条件对所述深度特征以及从所述目标图像提取的高维特征进行筛选包括：利用稀疏表示算法、套索算法、Fisher判别法、基于最大相关-最小冗余的特征选择算法或基于条件互信息的特征选择算法对所述高维特征和所述深度特征进行筛选以筛选出满足所述预设条件的高维特征和深度特征。可选地，所述目标图像包括CT图像、MRI图像、PET图像、US图像、SPECT图像和/或PET/CT图像。可选地，所述目标预测模型包括AlexNet模型或VGGNet模型。本申请实施例还提供了一种肿瘤预测装置，该肿瘤预测装置可以设置在云平台上，并且可以包括：分割单元，其被配置为调用所获取的目标预测模型对所获取的目标患者的目标图像进行分割以得到含有肿瘤区域的分割图像；提取单元，其被配置为从所得到的所述分割图像中提取高维特征和深度特征；筛选单元，其被配置为按照预设条件对所述高维特征和所述深度特征进行筛选；融合单元，其被配置为调用所述目标预测模型对筛选出的所述深度特征和所述高维特征进行融合以得到融合特征；预测单元，其被配置为根据所述融合特征预测所述目标患者的肿瘤分类。可选地，该肿瘤预测装置还包括：获取单元，其被配置为通过以下方式来获取所述目标预测模型：利用所获取的样本影像数据对预先构建的机器学习模型进行训练和验证，并且将训练效果达到最优并且通过验证的所述机器学习模型确定为所述目标预测模型，其中，所述样本影像数据包括训练数据和验证数据，并且与所述目标图像相匹配。本申请实施例还提供了一种云平台，该云平台包括上述肿瘤预测装置。可选地，该云平台还包括：数据管理装置，其被配置为管理用户权限以及所接收的用户数据，所述用户数据包括患者数据和用户账号信息。可选地，该云平台还包括以下装置中的一种或多种：资源监测装置，其被配置为根据所接收的监测指令监测资源的使用情况以及网络的性能参数；可视化处理装置，其被配置为显示所接收的用户数据、所述肿瘤预测装置输出的处理结果、以及构造出的诺模图和/或生存曲线图；数据存储装置，其被配置为存储所述数据管理装置以及所述肿瘤预测装置输出的各种数据；控制装置，其被配置为所述肿瘤预测装置、所述数据管理装置、所述资源监测装置、所述可视化处理装置、以及所述数据存储装置的本文档来自技高网...

【技术保护点】
1.一种肿瘤预测方法，其特征在于，所述肿瘤预测方法在云平台上执行，并且包括：/n调用所获取的目标预测模型对所获取的目标患者的目标图像进行分割以得到含有肿瘤区域的分割图像；/n从所得到的所述分割图像中提取高维特征和深度特征；/n按照预设条件对所述高维特征和所述深度特征进行筛选处理；/n调用所述目标预测模型对筛选出的所述深度特征和所述高维特征进行融合以得到融合特征，并且根据所述融合特征预测所述目标患者的肿瘤分类。/n

【技术特征摘要】
1.一种肿瘤预测方法，其特征在于，所述肿瘤预测方法在云平台上执行，并且包括：
调用所获取的目标预测模型对所获取的目标患者的目标图像进行分割以得到含有肿瘤区域的分割图像；
从所得到的所述分割图像中提取高维特征和深度特征；
按照预设条件对所述高维特征和所述深度特征进行筛选处理；
调用所述目标预测模型对筛选出的所述深度特征和所述高维特征进行融合以得到融合特征，并且根据所述融合特征预测所述目标患者的肿瘤分类。


2.根据权利要求1所述的肿瘤预测方法，其特征在于，所述目标预测模型通过以下方式获取：
从外部装置或本地获取所述目标预测模型。


3.根据权利要求2所述的肿瘤预测方法，其特征在于，从本地获取所述目标预测模型包括：
利用所获取的样本影像数据对预先构建的机器学习模型进行训练和验证，所述样本影像数据包括训练数据和验证数据，并且与所述目标图像相匹配；
将训练效果达到最优并且通过验证的所述机器学习模型确定为所述目标预测模型。


4.根据权利要求3所述的肿瘤预测方法，其特征在于，在对所述机器学习模型进行训练之前，所述肿瘤预测方法包括：
从本地数据库中选取预先存储的所述样本影像数据；或者
通过对所接收的患者数据进行处理来获得所述样本影像数据。


5.根据权利要求4所述的肿瘤预测方法，其特征在于，通过对所接收的患者数据进行处理来获得所述样本影像数据包括：
对所接收的患者数据进行格式解析；
按照预设标准从解析后的患者数据中选取所述样本影像数据。


6.根据权利要求5所述的肿瘤预测方法，其特征在于，所述预设标准包括所述患者数据是否完整、是否经过临床验证以及是否满足临床指标。


7.根据权利要求1所述的肿瘤预测方法，其特征在于，按照预设条件对所述深度特征以及从所述目标图像提取的高维特征进行筛选包括：
利用稀疏表示算法、套索算法、Fisher判别法、基于最大相关-最小冗余的特征选择算法或基于条件互信息的特征选择算法对所述高维特征和所述深度特征进行筛选以筛选出满足所述预设条件的高维特征和深度特征。


8.根据权利要求1所述的肿瘤预测方法，其特征在于，所述目标图像包括CT图像、MRI图像、PET图像、US图像、SPECT图像和/或PET/CT图像。

...

【专利技术属性】
技术研发人员：邓胡川，赵安江，高杰临，丁瑞鹏，谢庆国，
申请(专利权)人：苏州瑞派宁科技有限公司，
类型：发明
国别省市：江苏;32