本发明涉及肿瘤诊断技术领域，尤其涉及一种基于影像特征数据的肿瘤预测方法。
背景技术：
肿瘤组织无论在细胞形态和组织结构上，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。异型性是肿瘤异常分化在形态上的表现。异型性小，说明分化程度高，异型性大，说明分化程度低。区别这种异型性的大小是诊断肿瘤，确定其良、恶性的主要组织学依据。良性肿瘤细胞的异型性不明显，一般与其来源组织相似。恶性肿瘤常具有明显的异型性。
良性肿瘤对人体的危害不大，恶性肿瘤对人体的危害很大，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，因此肿瘤的预测是很有必要的，经检索，公开号为CN107833636A的发明专利文件公开了一种肿瘤预测方法，其具体步骤如下：步骤一，建立肿瘤数据库；步骤二，根据肿瘤数据库建立比例风险函数；步骤三，获取受检测者的基因表达数据、生活习惯和CT影像，对受检测者的数据进行转换，得到转换后的新检测样本数据；步骤四，将转换后的新检测样本进行缺失值填充，得到不含缺失值的检测样本数据；步骤五，将不含缺失值的检测样本数据代入比例风险函数中，得到肿瘤预测的风险数值。本发明通过收集不同类型恶性肿瘤患者的肿瘤影像数据建立数据库，进而建立比例风险函数，再对受检测者的数据进行转换和缺失值填充，然后将填充后的数值代入比例风险函数中，建立肿瘤预测的模型，可以较准确的进行肿瘤的预测，但其只是笼统对总体数据进行评估，从而计算受检者患病的风险数值，准确度较低，且其无法较好的对函数进行修订，所以我们急需一种基于影像特征数据的肿瘤预测方法来解决上述问题。
技术实现要素：
基于背景技术存在的技术问题，本发明提出了基于影像特征数据的肿瘤预测方法。
本发明提出的基于影像特征数据的肿瘤预测方法，包括以下步骤：
S1：参照肿瘤数据采集：对不同种类、不同程度的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行采集；
S2：建立参照肿瘤影像特征数据库和历史肿瘤数据库：将S1所述的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行分类，建立参照肿瘤影像特征数据库和历史肿瘤数据库；
S3：建立对比函数：根据S2所述的参照肿瘤影像特征数据库和历史肿瘤数据库并通过通过卡尔曼滤波器、有限元和神经网络算法建立用于对比的对比函数；
S4：受检测者的样本影像特征数据采集：对受检者的体检影像数据和生理指标数据进行采集；
S5：建立受检测者样本影像特征数据库：将S4所述的受检者的各项数据进行分类，建立样本影像特征数据库；
S6：分类对比：将S5所述的样本影像特征数据库代入对比函数进行计算，从而得出被检测者患病的概率；
S7：风险评估与预防方案的制定：根据S6中所述的概率值并结合被检测者当前的生理指标评估患病风险，若评估风险值高于30％，则判定为高风险潜在患者，则需要对受检者制定相应的预防方案；
S8：修订对比函数：根据S7中所述的高风险潜在患者的后期发病率对对比函数进行修订。
优选的，所述S1中，需要对多个肿瘤患者进行性别、年龄、肿瘤类型、肿瘤程度、发病时间、肿瘤基因表达数据、作息习惯、饮食习惯、病理检查数据、遗传病史、肿瘤影像等数据进行采集，并保留数据的完整性。
优选的，所述S2中，按照内因、外因和意外因素并结合肿瘤影像对肿瘤影像数据进行分类，内因包括肿瘤基因表达数据、遗传病史、肿瘤影像等；外因包括作息习惯、饮食习惯等；意外因素包括是否受到过核辐射或重金属污染。
优选的，所述S3中，根据分类后的参照肿瘤影像特征数据库和历史肿瘤数据依次按照卡尔曼滤波器、有限元和神经网络算法得出对比函数。
优选的，所述S4中，对受检者进行性别、年龄、肿瘤类型、肿瘤程度、发病时间、肿瘤基因表达数据、作息习惯、饮食习惯、病理检查数据、遗传病史、肿瘤影像等数据进行采集，并保留数据的完整性。
优选的，所述S5中，将受检者的样本影像特征数据和生理指标数据按照内因、外因和意外因素并结合肿瘤影像进行分类。
优选的，所述S6中，将分类后的受检者的样本影像特征数据依次代入对比函数进行计算。
优选的，所述S8中，若高风险潜在患者的后期发病率高于普通人均发病率，则判定对比函数正确；若高风险潜在患者的后期发病率低于普通人均发病率，则判定对比函数错误；若高风险潜在患者的后期发病率低于普通人均发病率，则判定对比函数错误；若高风险潜在患者的后期发病率与普通人均发病率基本持平，则对比函数进行重新采样修订。
本发明的有益效果：本发明通过采集肿瘤患者的肿瘤影像数据建立参照肿瘤影像特征数据库和历史肿瘤数据库，并进行分类建立对比函数模型，可以较准确的进行肿瘤的预测，并且通过观察受检者后期发病率能够很好的对对比函数模型进行修订，从而能够更好的对肿瘤进行预测，为人们提供安全保障。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
实施例
本实施例中提出了基于影像特征数据的肿瘤预测方法，包括以下步骤：
S1：参照肿瘤数据采集：对不同种类、不同程度的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行采集；
S2：建立参照肿瘤影像特征数据库和历史肿瘤数据库：将S1所述的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行分类，建立参照肿瘤影像特征数据库和历史肿瘤数据库；
S3：建立对比函数：根据S2所述的参照肿瘤影像特征数据库和历史肿瘤数据库并通过通过卡尔曼滤波器、有限元和神经网络算法建立用于对比的对比函数；
S4：受检测者的样本影像特征数据采集：对受检者的体检影像数据和生理指标数据进行采集；
S5：建立受检测者样本影像特征数据库：将S4所述的受检者的各项数据进行分类，建立样本影像特征数据库；
S6：分类对比：将S5所述的样本影像特征数据库代入对比函数进行计算，从而得出被检测者患病的概率；
S7：风险评估与预防方案的制定：根据S6中所述的概率值并结合被检测者当前的生理指标评估患病风险，若评估风险值高于30％，则判定为高风险潜在患者，则需要对受检者制定相应的预防方案；
S8：修订对比函数：根据S7中所述的高风险潜在患者的后期发病率对对比函数进行修订。
本实施例中，所述S1中，需要对多个肿瘤患者进行性别、年龄、肿瘤类型、肿瘤程度、发病时间、肿瘤基因表达数据、作息习惯、饮食习惯、病理检查数据、遗传病史、肿瘤影像等数据进行采集，并保留数据的完整性，所述S2中，按照内因、外因和意外因素并结合肿瘤影像对肿瘤影像数据进行分类，内因包括肿瘤基因表达数据、遗传病史、肿瘤影像等；外因包括作息习惯、饮食习惯等；意外因素包括是否受到过核辐射或重金属污染，所述S3中，根据分类后的参照肿瘤影像特征数据库和历史肿瘤数据依次按照卡尔曼滤波器、有限元和神经网络算法得出对比函数，所述S4中，对受检者进行性别、年龄、肿瘤类型、肿瘤程度、发病时间、肿瘤基因表达数据、作息习惯、饮食习惯、病理检查数据、遗传病史、肿瘤影像等数据进行采集，并保留数据的完整性，所述S5中，将受检者的样本影像特征数据和生理指标数据按照内因、外因和意外因素并结合肿瘤影像进行分类，所述S6中，将分类后的受检者的样本影像特征数据依次代入对比函数进行计算，所述S8中，若高风险潜在患者的后期发病率高于普通人均发病率，则判定对比函数正确；若高风险潜在患者的后期发病率低于普通人均发病率，则判定对比函数错误；若高风险潜在患者的后期发病率低于普通人均发病率，则判定对比函数错误；若高风险潜在患者的后期发病率与普通人均发病率基本持平，则对比函数进行重新采样修订，本发明通过采集肿瘤患者的肿瘤影像数据建立参照肿瘤影像特征数据库和历史肿瘤数据库，并进行分类建立对比函数模型，可以较准确的进行肿瘤的预测，并且通过观察受检者后期发病率能够很好的对对比函数模型进行修订，从而能够更好的对肿瘤进行预测，为人们提供安全保障。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。