一种基于大数据的智能医疗数据处理方法及装置

1.本技术涉及数据处理技术领域，具体涉及一种基于大数据的智能医疗数据处理方法及相关装置。


背景技术：

2.现有的在获取病理时，通常是通过拍摄相关的部位的图像，该图像可以是显微镜下拍摄的图像等，然后通过人工的方式来进行辨别，例如，通过医生对图像的观察后，从而判断出相关的病理，在进行病理获取时人为的主观因素太多，同时其智能性较低。


技术实现要素：

3.本技术实施例提供一种基于大数据的智能医疗数据处理方法及相关装置，能够提升病理获取时的智能性。
4.本技术实施例的第一方面提供了一种基于大数据的智能医疗数据处理方法，所述方法包括：
5.获取医疗图像集合，所述医疗图像集合包括n张医疗图像；
6.根据所述n张医疗图像进行处理，得到第一目标图像，所述第一目标图像包括目标位置的细胞图像；
7.对所述第一目标图像进行处理，得到所述细胞图像的特征信息；
8.根据所述特征信息，通过病理确定模型，确定出所述目标位置的第一病理信息。
9.结合第一方面，在一个可能的实现方式中，所述对所述第一目标图像进行处理，得到所述细胞图像的特征信息，包括：
10.从所述第一目标图像中获取所述细胞图像；
11.对所述细胞图像进行特征提取，得到所述特征信息。
12.结合第一方面，在一个可能的实现方式中，所述对所述细胞图像进行特征提取，得到所述特征信息，包括：
13.对所述细胞图像进行分割处理，得到n张子细胞图像；
14.对所述n张子细胞图像进行轮廓提取，得到k个轮廓信息，k为大于或等于 n的整数；
15.根据所述轮廓信息，确定所述n张子细胞图像中的每张子细胞图像中的病变细胞的区域信息；
16.根据所述区域信息，对所述n张子细胞图像进行灰度提取，得到所述区域信息对应的区域的灰度值；
17.将所述灰度值和所述区域信息，确定为所述特征信息。
18.结合第一方面，在一个可能的实现方式中，所述方法还包括：
19.获取训练样本，所述训练样本包括特征信息和病理信息；
20.根据所述训练样本对初始模型进行训练，以得到所述病理确定模型。
21.结合第一方面，在一个可能的实现方式中，所述方法还包括：
22.对所述第一病理信息进行判断，得到所述第一病理信息的准确率；
23.若所述准确率低于预设阈值，则获取所述目标位置的第二目标图像，所述第二目标图像的清晰度高于所述第一目标图像；
24.根据所述第二目标图像，确定病理修正信息；
25.根据所述病理修正信息对所述第一病理信息进行调整，得到第二病理信息。
26.本技术实施例的第二方面提供了一种基于大数据的智能医疗数据处理装置，所述装置包括：
27.获取单元，用于获取医疗图像集合，所述医疗图像集合包括n张医疗图像；
28.第一处理单元，用于根据所述n张医疗图像进行处理，得到第一目标图像，所述第一目标图像包括目标位置的细胞图像；
29.第二处理单元，用于对所述第一目标图像进行处理，得到所述细胞图像的特征信息；
30.确定单元，用于根据所述特征信息，通过病理确定模型，确定出所述目标位置的第一病理信息。
31.结合第二方面，在一个可能的实现方式中，所述第二处理单元用于：
32.从所述第一目标图像中获取所述细胞图像；
33.对所述细胞图像进行特征提取，得到所述特征信息。
34.结合第二方面，在一个可能的实现方式中，在所述对所述细胞图像进行特征提取，得到所述特征信息方面，所述第二处理单元用于：
35.对所述细胞图像进行分割处理，得到n张子细胞图像；
36.对所述n张子细胞图像进行轮廓提取，得到k个轮廓信息，k为大于或等于 n的整数；
37.根据所述轮廓信息，确定所述n张子细胞图像中的每张子细胞图像中的病变细胞的区域信息；
38.根据所述区域信息，对所述n张子细胞图像进行灰度提取，得到所述区域信息对应的区域的灰度值；
39.将所述灰度值和所述区域信息，确定为所述特征信息。
40.结合第二方面，在一个可能的实现方式中，所述装置还用于：
41.获取训练样本，所述训练样本包括特征信息和病理信息；
42.根据所述训练样本对初始模型进行训练，以得到所述病理确定模型。
43.结合第二方面，在一个可能的实现方式中，所述装置还用于：
44.对所述第一病理信息进行判断，得到所述第一病理信息的准确率；
45.若所述准确率低于预设阈值，则获取所述目标位置的第二目标图像，所述第二目标图像的清晰度高于所述第一目标图像；
46.根据所述第二目标图像，确定病理修正信息；
47.根据所述病理修正信息对所述第一病理信息进行调整，得到第二病理信息。
48.本技术实施例的第三方面提供一种终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机
程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本技术实施例第一方面中的步骤指令。
49.本技术实施例的第四方面提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本技术实施例第一方面中所描述的部分或全部步骤。
50.本技术实施例的第五方面提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本技术实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
51.实施本技术实施例，至少具有如下有益效果：
52.通过获取医疗图像集合，所述医疗图像集合包括n张医疗图像，根据所述n 张医疗图像进行处理，得到第一目标图像，所述第一目标图像包括目标位置的细胞图像，对所述第一目标图像进行处理，得到所述细胞图像的特征信息，根据所述特征信息，通过病理确定模型，确定出所述目标位置的第一病理信息，因此，相对于现有方案中通过人工的方式来获取病理，能够通过医疗图像集合来确定出第一目标图像，并获取第一目标图像的特征信息，通过病理确定模型获取到第一病理信息，提升了获取第一病理信息时的智能性。
附图说明
53.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
54.图1为本技术实施例提供了一种基于大数据的智能医疗数据处理系统的示意图；
55.图2a为本技术实施例提供了一种基于大数据的智能医疗数据处理方法的流程示意图；
56.图2b为本技术实施例提供了一种轮廓示意图；
57.图3为本技术实施例提供了另一种基于大数据的智能医疗数据处理方法的流程示意图；
58.图4为本技术实施例提供的一种终端的结构示意图；
59.图5为本技术实施例提供了一种基于大数据的智能医疗数据处理装置的结构示意图。
具体实施方式
60.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
61.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图
在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
62.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本技术所描述的实施例可以与其它实施例相结合。
63.为了更好的理解本技术实施例提供的基于大数据的智能医疗数据处理方法，下面首先对应用基于大数据的智能医疗数据处理方法的智基于大数据的智能医疗数据处理系统进行简要介绍。请参阅图1，图1为本技术实施例提供了一种基于大数据的智能医疗数据处理系统的示意图。如图1所示，基于大数据的智能医疗数据处理系统包括摄像装置和处理装置，其中，摄像装置可以是摄像头、显微摄像机、具有摄像功能的显微镜等，处理装置可以是处理器，也可以是单独的电子设备，处理装置上设置有病理确定模型，摄像装置获取目标位置的n张医疗图像，并对n张医疗图像进行处理得到第一目标图像，第一目标图像中包括有目标位置的细胞图像，摄像装置将第一目标图像发送给处理装置，处理装置对第一目标图像进行处理，得到细胞图像的特征信息，处理装置根据特征信息通过病理确定模型，确定出目标位置的第一病理信息。因此，相对于现有方案中通过人工的方式来获取病理，能够通过第一目标图像的获取的特征信息，通过病理确定模型获取到第一病理信息，提升了获取第一病理信息时的智能性。
64.请参阅图2a，图2a为本技术实施例提供了一种基于大数据的智能医疗数据处理方法的流程示意图。如图2a所示，该方法包括：
65.201、获取医疗图像集合，所述医疗图像集合包括n张医疗图像。
66.可以通过摄像装置获取医疗图像集合，例如，可以通过摄像装置拍摄的方式来获取到医疗图像集合。
67.当然也可以是通过获取应用平台中的医疗图像集合，应用平台可以是医疗管理平台，用于对医疗数据进行集中存储、处理等。应用平台可以获取到大量的医疗图像集，例如，可以是针对不同病理的医疗图像，因此，可以基于大数据的医疗图像，从大数据的医疗图像中提取到相同类型病理的图像，以得到医疗图像集合，例如，医疗图像集合中的图像均包括有目标位置，均为目标位置的医疗图像，目标位置可以是需要进行病理检测的身体部位，也可以是身体部位上某块组织，例如，皮肤组织等。对该身体部位的图像进行放大处理后，来获取细胞图像。
68.202、根据所述n张医疗图像进行处理，得到第一目标图像，所述第一目标图像包括目标位置的细胞图像。
69.可以对n张医疗图像进行图像融合处理，以得到第一目标图像。对医疗图像进行融合处理时，可以是将n张医疗图像中相似度最高的图像进行融合处理，例如，n张医疗图像中包括有2张医疗图像的相似度为90％，该相似度为n张图像中没两张图像之间的相似度的最高值，则可以将该2张图像进行融合处理，得到第一目标图像。图像融合处理，可以理解为将两张图像中相同像素点处的像素值进行均值处理，将最后的像素值的均值构成的图像，确定为第一目标图像
70.203、对所述第一目标图像进行处理，得到所述细胞图像的特征信息。
71.对第一目标图像进行处理的方法可以是，从第一目标图像中确定出细胞图像，由于第一图像中可能会存在除细胞图像以外的其它信息，则此处需要从第一目标图像中获取到细胞图像。然后根据细胞图像得到该特征信息。
72.204、根据所述特征信息，通过病理确定模型，确定出所述目标位置的第一病理信息。
73.可以将特征信息输入到病理确定模型中进行计算处理，以得到第一病理信息。病理确定模型可以是通过样本数据对初始模型进行训练后，得到的模型。
74.通过获取医疗图像集合，所述医疗图像集合包括n张医疗图像，根据所述n 张医疗图像进行处理，得到第一目标图像，所述第一目标图像包括目标位置的细胞图像，对所述第一目标图像进行处理，得到所述细胞图像的特征信息，根据所述特征信息，通过病理确定模型，确定出所述目标位置的第一病理信息，因此，相对于现有方案中通过人工的方式来获取病理，能够通过医疗图像集合来确定出第一目标图像，并获取第一目标图像的特征信息，通过病理确定模型获取到第一病理信息，从而可以通过大数据的方式，来确定出第一目标图像，进而获取到第一病理信息，提升了获取第一病理信息时的智能性。
75.在一个可能的实现方式中，一种可能的对所述第一目标图像进行处理，得到所述细胞图像的特征信息的方法，包括如下步骤：
76.a1、从所述第一目标图像中获取所述细胞图像；
77.a2、对所述细胞图像进行特征提取，得到所述特征信息。
78.可以对第一目标图像进行图像处理，然后得到细胞图像。进行图像处理的方法可以是，对第一目标图像中的内容进行识别，以得到该细胞图像。具体可以是，对第一目标图像中通过细胞图像识别模型，来获取该细胞图像，该细胞图像识别模型可以对图像中的细胞图像进行识别，识别后将该细胞图像从第一目标图像中进行截取，以得到细胞图像。
79.特征信息可以包括有灰度值和病变细胞的区域信息。
80.对细胞图像进行特征提取的方法可以是：对细胞图像进行分割处理，得到多张分割后的图像，然后对分割后的图像进行并行处理，得到灰度值和病变细胞的区域信息，因此，通过并列处理的方式，可以极大的提升获取特征信息的效率，减少特征信息获取的时间。
81.在一个可能的实现方式中，一种可能的对所述细胞图像进行特征提取，得到所述特征信息的方法包括如下步骤：
82.b1、对所述细胞图像进行分割处理，得到n张子细胞图像；
83.b2、对所述n张子细胞图像进行轮廓提取，得到k个轮廓信息，k为大于或等于n的整数；
84.b3、根据所述轮廓信息，确定所述n张子细胞图像中的每张子细胞图像中的病变细胞的区域信息；
85.b4、根据所述区域信息，对所述n张子细胞图像进行灰度提取，得到所述区域信息对应的区域的灰度值；
86.b5、将所述灰度值和所述区域信息，确定为所述特征信息。
87.对细胞图像进行分割处理的方法可以是，均匀分割，均匀分割具体可以是，将该细
胞图像均分为面积相同的子图像，例如，将细胞图像均分为4张面积相同的子图像。当然也可以是非均匀分割，非均匀分割的方法例如可以是，根据不同的细胞图像采用不同的分割方式，该分割方式以保证分割后得到的子细胞图像中的细胞均为完整细胞。
88.轮廓提取的方法可以是根据不同区域的交界处的灰度值会发生变化，因此，则可以采用灰度值出现跳变的点进行连接，从而得到多个轮廓。轮廓信息可以是病变细胞的轮廓区域的信息，也可以是正常细胞的轮廓区域信息。如图2b所示，图2b示出了一种轮廓区域的示意图。图2b中仅示出了部分轮廓区域。
89.不同的细胞具有不同的轮廓区域，则可以确定出病变细胞的区域，从而获取到病变细胞的区域信息，该区域信息可以是坐标等。由于正常细胞的与病变细胞之间会出现不同的特征，则可以获取到病变细胞的区域。
90.对区域信息对应区域进行灰度提取，得到灰度值。当然此处也可以是rgb 信息等。
91.本示例中，通过将细胞图像进行分割处理，得到多张子细胞图像，然后对每张子细胞图像进行轮廓提取，根据轮廓信息得到病变细胞的区域信息，对区域信息对应的区域进行灰度提取，得到灰度值从而获取到特征信息，因此，可以准确的获取到特征信息。
92.在一个可能的实现方式中，本技术实施例中还可以对初始模型进行训练，得到病理确定模型，该方法具体如下：
93.c1、获取训练样本，所述训练样本包括特征信息和病理信息；
94.c2、根据所述训练样本对初始模型进行训练，以得到所述病理确定模型。
95.训练样本可以是通过人工标注的样本，例如，通过人工标记特征信息和病例信息之间的对应关系。根据训练样本对初始模型进行训练，直至初始模型的损失函数收敛后，得到病理确定模型。
96.在一个可能的实现方式中，在第一病理信息的准确性较低时，还可以对该病理信息进行修正，具体如下：
97.d1、对所述第一病理信息进行判断，得到所述第一病理信息的准确率；
98.d2、若所述准确率低于预设阈值，则获取所述目标位置的第二目标图像，所述第二目标图像的清晰度高于所述第一目标图像；
99.d3、根据所述第二目标图像，确定病理修正信息；
100.d4、根据所述病理修正信息对所述第一病理信息进行调整，得到第二病理信息。
101.对第一病理信息进行判断的方法可以是：确定第一病理信息的第一类别；将该第一病理信息与预设的病例库中第一类别的病理信息进行比对，得到第一病理信息与第一类别中的病例信息之间的相似度，得到多个目标相似度；将该多个目标相似度值的最大值，确定为第一病理信息的准确率。
102.预设阈值可以是通过经验值或历史数据设定。第二目标图像的清晰度高于第一目标图像，第二目标图像可以是通过摄像装置获取，也可以是通过其它设备获取到的，此处不作具体限定。
103.可以对第二目标图像进行处理，得到病理修正值的方法可以是参照前述实施例中获取第一病理信息的方式来获取到第二病理信息，根据第二病理信息，确定病理修正信息。具体根据第二病理信息确定病理修正信息的方法可以是：将第二病理信息进行拆分，得到多个子病理信息，分别确定每个子病理信息的准确率，将准确率高于第二预设阈值的子病
理信息，确定为病理修正信息。
104.将病理修正信息和第一病理信息中的内容进行替换，得到第二病理信息。
105.当然，根据第二目标图像，确定病理修正信息的方法还可以是：根据第二目标图像确定病理修正值。确定病理修正值的方法可以是根据第二目标图像，来确定病变细胞的类别，根据该类别与第一图像中的病变细胞的类别之间的相似度，来确定病理修正值。相似度越高，则病理修正值越大，相似度越低，则病理修正值越小。
106.可以将第一病理信息与病理修正值进行整合，以得到第二病理信息，进行整合的方法可以是，将第一病理信息按照病理修正值进行修正，从而得到第二病理信息，进行修正的方法可以是，根据修正值，确定修正模型，根据修正模型来对第一病理信息进行修正，得到第二病理信息。
107.本示例中，通过病理修正信息对第一病理信息进行调整，得到第二病理信息，从而可以提升病理信息获取时的准确性。
108.在一个可能的实现方式中，在第一病理信息的准确性较低时，另一种对该病理信息进行修正，具体如下：
109.e1、对所述第一病理信息进行判断，得到所述第一病理信息的准确率；
110.e2、若所述准确率低于预设阈值，则获取所述目标位置的多张第三目标图像，所述第三目标图像的图像类型与所述第一目标图像的类型不同；
111.e3、对所述多张第三目标图像进行图像融合，以得到第四目标图像；
112.e4、根据所述第四目标图像确定出第三病理信息；
113.e5、若所述第二病理信息的准确性高于所述预设阈值，则根据所述第一病理信息和所述第三病理信息，确定出第四病理信息。
114.上述步骤e1可以参照前述所述中步骤d1的具体实现方法，此处不再赘述。目标位置的多张第三图像可以是其他类型的图像，例如，第三图像可以是不同波长下的图像，例如可以是红光波长下的图像、紫光波长下的图像、蓝光波长下的图像，当然还可以是其它非可见光波长下的图像。图像的类型可以理解为图像的波长，不同的波长对应有不同的图像类型。波长可以是一个波长范围，例如，红光的波长范围等。
115.对多张第三目标图像进行融合的方法可以是，对多张第三图像进行特征提取，得到该多张第三图像的特征信息；根据特征信息，确定出每张第三图像中的不同区域的清晰度；提取该多张第三图像中每张第三图像中清晰度最高的区域；将该清晰度最高的区域的图像进行融合处理，以得到第四目标图像。其中，可以将每张第三图像按照预设的分割方式进行分割，得到多个区域，该预设的分割方式可以是等分的方式，也可以是非等分的方式，例如，将图像按照等分的方式分割成4个区域等，从而确定每张第三图像中每个区域的清晰度，进而提取每个区域对应的清晰度中最高的清晰度所对应的区域，并进行融合处理，在进行融合时，可以将每个区域的特征数据进行转换处理，从而得到转换后的数据，具体可以是将特征数据转换成，图像类型最多的图像的特征数据的类型，以得到转换后的数据，对转换后的数据进行融合处理(将每个区域的特征数据的并集确定为第四目标图像的特征数据)，以得到第四目标图像的特征数据，从而得到第四目标图像。
116.确定第三病理信息的方法可以参照前述实施例中确定第一病理信息的方法，此处不再赘述。
117.可以将第三病理信息和第一病理信息中不同的子病理信息提取出来，并确定该不同的子病理信息的准确率，若该不同的子病理信息的准确率均低于预设阈值，则将子该病理信息进行综合处理，得到综合后的子病理信息，具体可以为将该子病理信息进行分割处理(其中对子病理信息进行处理时，为对应部分的子病理信息进行处理)，并将分割后的子病理信息中准确率较高的病理信息保留，以作为综合后的子病理信息，并将该综合后的病理信息确定为第四病理信息中的一部分，；若该不同的子病理信息中任一个病理信息的准确率高于预设阈值，则将该高于预设阈值的子病理信息，确定为第四病理信息中的一部分；最后将第三病理信息和第一病理信息中相同的病理信息，以及综合后的子病理信息或该高于预设阈值的子病理信息，确定为第四病理信息。
118.本示例中，通过第三病理信息对第一病理信息进行校正处理，以得到第四病理信息，从而提升了第四病理信息的准确性。
119.请参阅图3，图3为本技术实施例提供了另一种基于大数据的智能医疗数据处理方法的流程示意图。如图3所示，该方法包括：
120.301、获取医疗图像集合，所述医疗图像集合包括n张医疗图像；
121.302、根据所述n张医疗图像进行处理，得到第一目标图像，所述第一目标图像包括目标位置的细胞图像；
122.303、对所述第一目标图像进行处理，得到所述细胞图像的特征信息；
123.304、根据所述特征信息，通过病理确定模型，确定出所述目标位置的第一病理信息；
124.305、对所述第一病理信息进行判断，得到所述第一病理信息的准确率；
125.306、若所述准确率低于预设阈值，则获取所述目标位置的第二目标图像，所述第二目标图像的清晰度高于所述第一目标图像；
126.307、根据所述第二目标图像，确定病理修正信息；
127.308、根据所述病理修正信息对所述第一病理信息进行调整，得到第二病理信息。
128.本示例中，通过病理修正信息对第一病理信息进行调整，得到第二病理信息，从而可以提升病理信息获取时的准确性。
129.与上述实施例一致的，请参阅图4，图4为本技术实施例提供的一种终端的结构示意图，如图所示，包括处理器、输入设备、输出设备和存储器，处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，上述程序包括用于执行以下步骤的指令；
130.获取医疗图像集合，所述医疗图像集合包括n张医疗图像；
131.根据所述n张医疗图像进行处理，得到第一目标图像，所述第一目标图像包括目标位置的细胞图像；
132.对所述第一目标图像进行处理，得到所述细胞图像的特征信息；
133.根据所述特征信息，通过病理确定模型，确定出所述目标位置的第一病理信息。
134.上述主要从方法侧执行过程的角度对本技术实施例的方案进行了介绍。可以理解的是，终端为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本技术能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还
是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
135.本技术实施例可以根据上述方法示例对终端进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本技术实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
136.与上述一致的，请参阅图5，图5为本技术实施例提供了一种基于大数据的智能医疗数据处理装置的结构示意图。如图5所示，所述装置包括：
137.获取单元501，用于获取医疗图像集合，所述医疗图像集合包括n张医疗图像；
138.第一处理单元502，用于根据所述n张医疗图像进行处理，得到第一目标图像，所述第一目标图像包括目标位置的细胞图像；
139.第二处理单元503，用于对所述第一目标图像进行处理，得到所述细胞图像的特征信息；
140.确定单元504，用于根据所述特征信息，通过病理确定模型，确定出所述目标位置的第一病理信息。
141.在一个可能的实现方式中，所述第二处理单元503用于：
142.从所述第一目标图像中获取所述细胞图像；
143.对所述细胞图像进行特征提取，得到所述特征信息。
144.在一个可能的实现方式中，在所述对所述细胞图像进行特征提取，得到所述特征信息方面，所述第二处理单元503用于：
145.对所述细胞图像进行分割处理，得到n张子细胞图像；
146.对所述n张子细胞图像进行轮廓提取，得到k个轮廓信息，k为大于或等于 n的整数；
147.根据所述轮廓信息，确定所述n张子细胞图像中的每张子细胞图像中的病变细胞的区域信息；
148.根据所述区域信息，对所述n张子细胞图像进行灰度提取，得到所述区域信息对应的区域的灰度值；
149.将所述灰度值和所述区域信息，确定为所述特征信息。
150.在一个可能的实现方式中，所述装置还用于：
151.获取训练样本，所述训练样本包括特征信息和病理信息；
152.根据所述训练样本对初始模型进行训练，以得到所述病理确定模型。
153.在一个可能的实现方式中，所述装置还用于：
154.对所述第一病理信息进行判断，得到所述第一病理信息的准确率；
155.若所述准确率低于预设阈值，则获取所述目标位置的第二目标图像，所述第二目标图像的清晰度高于所述第一目标图像；
156.根据所述第二目标图像，确定病理修正信息；
157.根据所述病理修正信息对所述第一病理信息进行调整，得到第二病理信息。
158.本技术实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种基于大数据的智能医疗数据处理方法的部分或全部步骤。
159.本技术实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种基于大数据的智能医疗数据处理方法的部分或全部步骤。
160.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
161.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
162.在本技术所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
163.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
164.另外，在申请明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
165.所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random accessmemory，ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
166.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器、随机存取器、磁盘或光盘等。
167.以上对本技术实施例进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会
有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。