肿瘤预测方法、装置、云平台及计算机可读存储介质与流程
本申请涉及医学数据处理技术领域，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。
背景技术：
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，发明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。
技术实现要素：
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操作。
本申请实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被执行时能够实现上述肿瘤预测方法。
由以上本申请实施例提供的技术方案可见，本申请实施例通过在云平台上调用目标预测模型预测目标患者的肿瘤分类，而不是在多个系统或软件上执行，这简化了实现肿瘤分类预测的运行环境，并且可以提高肿瘤分类预测的准确性。另外，本申请实施例不仅提取了分割图像中的高维特征，还提取了分割图像中的深层特征，这考虑到了不同肿瘤或不同影像设备的图像需要提取的特征有所差异，充分诠释了肿瘤的异质性，可以充分地表达不同肿瘤区域的深层信息和隐藏信息，因此，该方法具有普适性。此外，利用本申请实施例提供的肿瘤预测方法可以实现图像的自动分割，从而可以提高图像分割速度以及准确性，并且还可以节省人力及时间成本。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例中的肿瘤预测方法的应用环境图；
图2是本申请的一个实施例中提供的肿瘤预测方法的流程示意图；
图3是本申请的一个实施例中提供的肿瘤预测装置的结构示意图；
图4是本申请的一个实施例中提供的云平台的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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用于解释说明本申请的一部分实施例，而不是全部的实施例，并不希望限制本申请的范围或权利要求书。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都应当属于本申请保护的范围。
需要说明的是，当元件被称为“设置在”另一个元件上，它可以直接设置在另一个元件上或者也可以存在居中的元件。当元件被称为“连接/联接”至另一个元件，它可以是直接连接/联接至另一个元件或者可能同时存在居中元件。本文所使用的术语“连接/联接”可以包括电气和/或机械物理连接/联接。本文所使用的术语“包括/包含”指特征、步骤或元件的存在，但并不排除一个或更多个其它特征、步骤或元件的存在或添加。本文所使用的术语“和/或”包括一个或多个相关所列项目的任意的和所有的组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述具体实施例的目的，而并不是旨在限制本申请。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的和区别类似的对象，两者之间并不存在先后顺序，也不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
图1为一个实施例中的肿瘤预测方法的应用环境图。参照图1，该方法可以应用于云平台。该云平台包括通过网络连接的终端100和服务器200。该方法可以在终端100或服务器200中执行，例如，终端100可直接从医疗设备获取目标患者的包括影像数据的患者数据，并在终端侧执行上述方法；或者，终端100也可在获取目标患者的患者数据后将患者数据发送至服务器200，使得服务器200获取目标患者的患者数据并执行上述方法。终端100具体可以是台式终端(例如，台式电脑)或移动终端(例如，笔记本电脑或平板电脑)等。服务器200可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
图2为本申请的一个实施例中提供的肿瘤预测方法，该方法可以在云平台上执行，并且可以包括如下步骤：
s1：获取目标预测模型。
目标预测模型可以是用于预测肿瘤分类的任意一种神经网络模型，例如，alexnet模型或vggnet模型。其中，alexnet模型主要包括5层卷积层和3层全连接层等8层结构；vggnet模型可以包括8层卷积层、5层池化层和3层全连接层等16层结构，也可以是19层结构，但不限于此。
在接收到指示即将进行肿瘤预测的指令后，可以从外部装置或本地获取目标预测模型。这里的外部装置可以是指云平台外部的装置，相应地，本地可以是指云平台；或者，外部装置也可以是指云平台上除了肿瘤预测装置以外的装置，相应地，本地可以是指肿瘤预测装置。
从本地获取目标预测模型可以包括：
(1)从本地数据库中选取预先存储的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样本影像数据。
样本影像数据可以包括来自于多个医疗机构的ct(computedtomography，计算机断层扫描)、mri(magneticresonanceimaging，磁共振成像)、pet(positronemissiontomography，正电子发射型计算机断层显像)、us(ultrasound，超声)、spect(single-photonemissioncomputedtomography，单光子发射计算机断层成像术)等影像数据以及pet/ct(positronemissiontomography/computedtomography，简称pet/ct)等多模影像数据中的至少一种。样本影像数据可以分为训练数据和验证数据，其中，训练数据可以用于对机器学习模型进行训练，验证数据可以用于对机器学习模型的训练结果进行验证。在样本影像数据中，这两种数据的比例一般为7:3或8:2等。
患者数据可以包括不同类型的患者的影像数据及患者的病例信息，例如，性别、年龄、身高、体重等。
在一个实施例中，可以根据所接收到的指令从本地数据库中选取对应的大量影像数据作为样本影像数据，并且按照预设比例随机地将大部分影像数据作为训练数据并且将剩余的影像数据作为验证数据。
在另一个实施例中，可以根据所接收到的指令对所接收的患者数据进行格式解析，例如，可以将不同类型的影像数据解析成dicom格式；然后，可以按照预设标准从解析后的患者数据中选取对应的影像数据作为样本影像数据。该预设标准可以包括患者数据是否完整、是否经过临床验证以及是否满足临床指标等。例如，可以判断患者的临床数据及其病例信息是否，如果不完整，则不选取该患者的影像数据作为样本影像数据；也可以判断患者的影像数据是否经临床手段证实，例如，经过活检化验而确诊为恶性肿瘤的，则可以将该患者的影像数据选取为样本影像数据；还可以判断该患者的影像数据是否被医生判断为病灶是否过小或形态异常，如果不满足要求，则不选取该患者的影像数据；也还可以根据医生的实际研究需求并结合临床指标来选取患者的影像数据。
(2)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机器学习模型确定为目标预测模型。
在获取样本影像数据之后，可以利用所获取的训练数据对机器学习模型进行训练。具体地，可以根据所接收的用户指令对机器学习模型中分割模型进行训练，分离出样本影像数据中的肿瘤区域和背景区域，然后从肿瘤区域中提取出高维特征和深度特征，接着对高维特征和深度特征进行筛选，随后对筛选后的高维特征和深度特征进行融合处理以得到融合特征，最后，利用支持向量机、套索(lasso)逻辑回归或随机森林等机器学习算法对融合特征以及肿瘤的分类标签(例如，良性肿瘤的标签为1，恶性肿瘤的标签为0)进行处理，从而从融合特征中选择出跟肿瘤良恶性高度相关的特征，此时可以认为训练效果达到最优，并且确定出机器学习模型中的各个网络参数。
在确定出机器学习模型的训练效果达到最优后，可以利用验证数据对训练后的机器学习模型进行5折或10折等交叉验证，计算相应的准确率、精确率和召回率。当所得到的准确率、精确率和召回率达到对应的预设阈值时，可以将训练后的机器学习模型确定为目标预测模型。
s2：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。
目标图像可以是指利用医疗影像设备对目标患者进行扫描而得到的图像，其中含有目标患者的肿瘤部位所在区域(即，肿瘤区域)。目标图像可以包括ct图像、mri图像、pet图像、us图像、spect图像和/或pet/ct图像。样本影像数据与目标图像相匹配，包括类型和/或内容等相匹配，例如，它们都是患者的ct图像，或者都是肺部图像。
在获取目标预测模型以及接收到目标患者的目标图像之后，可以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肿瘤区域和背景区域分割，以提取出目标图像中的肿瘤区域，从而得到含有肿瘤区域的分割图像。
s3：从所得到的分割图像中提取高维特征和深度特征。
高维特征可以是指维数较高的数据，其可以包括直方图特征、三维形状特征、纹理特征和滤波特征中的至少一种。其中，直方图特征可以指示图像灰度，其可以包括最大值、最小值、中值、均值、跨度(最大值-最小值)、方差、标准差、平均绝对偏差和/或均方根等特征；三维形状特征可以包括体积、表面积、紧密度特征、球度、球面不对称度和/或表面积与体积之比等；纹理特征可以指示关于图像各种灰度级相对位置的信息，其可以包括灰度相关矩阵(grayleveldependencematrix，简称gldm)、灰度共生矩阵(graylevelco-occurencematrix，简称glcm)、灰度游程长度矩阵(graylevelrunlengthmatrix，简称glrlm)、灰度区域大小矩阵(graylevelsizezonematrix，简称glszm)和/或局部灰度差分矩阵(neighborhoodgraytonedifferencematrix，简称ngtdm)等不同种类特征，这些特征可以是根据病灶肿瘤体素强度的空间分布来构造的；滤波特征可以通过以下方式来得到：通过小波变换的方式来分解图像纹理信息，得到高频和低频的采样图像，将图像分解为多个分量，即，可以沿着x、y、z方向分别进行高低通滤波，得到不同方向上的子频带，对于每个子频带，分别计算直方图特征、三维形状特征和纹理特征，从而得到经滤波之后的滤波特征。滤波特征可以用于消除图像中混入的噪声，提高图像的清晰度。
深度特征可以是指肉眼无法看到的并且普通特征无法表征的图像隐藏信息，其是需要调用深度神经网络来提取的并且能够用于预测肿瘤分类的特征。
在得到目标患者的分割图像之后，可以从该分割图像中提取出高维特征和深度特征。
关于如何从图像中提取高维特征的方法，可以参照现有技术中的描述，在此不再赘叙。
关于深度特征，可以调用目标预测模型从目标图像中来提取。
在一个实施例中，当目标预测模型为alexnet模型时，首先，可以调用alexnet模型中的第一卷积层对所输入的目标图像进行局部响应归一化、池化等卷积处理并输出所提取出的特征图；然后，可以调用第二卷积层对第一卷积层输出的特征图进行局部响应归一化、最大池化等卷积处理并输出对应的特征图；接着，可以依次调用第三卷积层和第四卷积层进行卷积处理并输出对应的特征图；调用第五卷积层直接对第四卷积层输出的特征图进行最大池化处理；最后调用三个全连接层进行分类处理以提取深度特征并输出所提取的深度特征。
在一个实施例中，当目标预测模型为vggnet模型时，可以调用vggnet模型中的卷积层对所输入的目标图像进行卷积处理，然后调用池化层进行最大池化处理，最后调用全连接层进行分类处理以提取深度特征并输出所提取的深度特征。
需要说明的是，上述同一类型的多个网络层的卷积核数量、尺寸、步长等设置可以相同，也可以不同，在此并没有进行限制。而且，每一层网络层是对与其连接的前一网络层提取的特征图进行处理并且将其提取出的特征图输出至与其连接的下一网络层。
s4：按照预设条件对提取出的高维特征和深度特征进行筛选处理。
预设条件可以根据经验数据或实际需求来设置，其可以指示所筛选出的特征对预测目标具有最大影响。对预测目标具有最大影响可以体现在相关性方面，也可以体现在其它衡量指标方面。
在从目标图像中提取出高维特征和深度特征之后，可以利用稀疏表示算法、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等算法对高维特征和深度特征进行筛选，以从这些特征中筛选出满足预设条件的特征，也即，筛选出对预测目标具有最大影响的特征。
基于稀疏表示算法的主要思想是自然信号可以通过字典稀疏地表示。一般来说，该算法的模型可以表示如下：
其中，y是稀疏表示集的分类标签(例如，良性、恶性；转移、未转移等)；d＝[d1,d2,...,di,...,dk]是由高维特征和深度特征构成的稀疏表示集，di表示高维特征和深度特征中的一种特征；α为稀疏表示系数，其为矩阵的形式，并且
通过对上式进行求解来得到α，从而将其中系数不为0的特征作为筛选出的高维特征和深度特征。
基于fisher判别法是一种定性分类判别方法，其主要基于投影的思想，求取高维特征和深度特征中的最大特征值所对应的特征向量，并且将图像数据投影到一个由这些特征向量组成的高维空间，从而在该高维空间中筛选相同类别距离最小以及不同类别距离最大的高维特征和深度特征。
关于其它算法的相关描述，可以参照现有技术，在此不再赘叙。
通过对高维特征和深度特征进行筛选，可以有效筛除这两种特征中的冗余特征和相关性较低的特征，因而可以提高预测结果的准确性。
s5：调用目标预测模型对筛选出的高维特征和深度特征进行融合以得到融合特征，并且根据融合特征预测目标患者的肿瘤分类。
在筛选出满足预设条件的高维特征和深度特征之后，可以调用目标预测模型将筛选出的高维特征和深度特征进行融合处理以得到融合特征。
关于如何利用机器学习模型对图像数据进行融合处理，可以参照现有技术中的相关描述。
在得到融合特征之后，可以将所得到的融合特征与预设的肿瘤分类标签进行匹配，从而根据匹配结果来预测目标患者的肿瘤分类。例如，当融合特征与良性肿瘤标签匹配时，可以预测该患者的肿瘤为良性；当融合特征与恶性肿瘤标签匹配时，可以预测该患者的肿瘤为恶性。
需要说明的是，融合特征与肿瘤分类标签之间的匹配关系可以是在对机器学习模型进行训练时确定的。
通过上述描述可以看出，本申请实施例通过在云平台上调用目标预测模型预测目标患者的肿瘤分类，而不是在多个系统或软件上执行，这简化了实现肿瘤分类预测的运行环境，并且可以防止数据丢失以及数据信息不全，还可以实现数据共享并且提高数据处理效率。而且，所采用的样本影像数据来自于多个影像设备或医疗机构，这可以使得所建立的目标预测模型可重复性、通用性和抗干扰性较强，并且可以广泛使用。另外，本申请实施例不仅提取了分割图像中的高维特征，还提取了分割图像中的深层特征，这考虑到了不同肿瘤或不同影像设备的图像需要提取的特征有所差异，充分诠释了肿瘤的异质性，可以充分地表达不同肿瘤区域的深层信息和隐藏信息，因此，该方法具有普适性。此外，利用本申请实施例提供的肿瘤预测方法可以实现图像的自动分割，从而可以提高图像分割速度以及准确性，并且还可以节省人力及时间成本。
如图3所示，本申请实施例还提供了一种肿瘤预测装置300，其可以设置在云平台上，并且可以包括：
获取单元310，其可以被配置为获取用于肿瘤预测的目标预测模型；
分割单元320，其可以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330，其可以被配置为从所得到的分割图像中提取高维特征和深度特征；
筛选单元340，其可以被配置为按照预设条件对高维特征和深度特征进行筛选；
融合单元350，其可以被配置为调用目标预测模型对筛选出的深度特征和高维特征进行融合以得到融合特征；
预测单元360，其可以被配置为根据融合特征预测目标患者的肿瘤分类。
在一实施例中，获取单元310还可以具体被配置为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，并且将训练效果达到最优并且通过验证的机器学习模型确定为目标预测模型。
关于上述单元的详细描述，可以参照上面方法实施例中的相关描述，在此不再赘叙。
通过利用本申请实施例提供的肿瘤预测装置，可以实现对肿瘤区域的全自动分割，并且可以提高肿瘤分类预测的准确性，可以有效地辅助医生进行诊断。
本申请实施例还提供了另一种云平台，其可以包括图3中的肿瘤预测装置300，并且还可以包括数据管理装置100，其可以被配置为管理用户权限以及用户数据，该用户数据包括患者数据和用户账号信息。具体地，数据管理装置100可以根据账号授权信息来管理用户权限，例如，某用户账号已授权n个影像中心或医疗机构有上传权限，但仅授权其中的m个影像中心或医疗机构有操作数据的权限，则已授权的n个影像中心或医疗机构可一上传数据到此账号，但只有m个影像中心或医疗机构有操作数据的权利，其中，n和m均为大于1的正整数，并且n大于m。数据管理装置100还可以对用户注册的账号信息进行管理，并且对用户上传的患者数据进行筛选，以筛选出符合预设要求的患者数据，还可以将符合预设大小、预设格式等预设要求的患者数据发送给数据存储装置进行存储。
另外，该云平台还可以包括资源监测装置200、可视化处理装置400、数据存储装置500以及控制装置600中的一种或多种。
资源监测装置200可以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，包括cpu、内存、gpu、并发量、带宽、丢包率等等，并根据资源的使用情况进行相应的调度。
可视化处理装置400可以根据所接收的指令(包括用户指令或预设脚本指令)显示对应的数据。例如，可视化处理装置400可以显示所接收的用户数据，也可以显示肿瘤预测装置300输出的处理结果(包括图像分割结果和/或肿瘤分类预测结果)，还可以将通过筛选后的高维特征和深度特征及其特征系数的线性组合而得到的影像组学标签和临床指标(例如，年龄、性别、基因突变等)相结合，构造出具有个性化和直观化的诺模图和/或生存曲线图等，以有效地辅助医生进行医疗诊断。
关于诺模图和生存曲线图的具体形式，可以参照现有技术，在此不再赘叙。
数据存储装置500可以用于存储数据管理装置100和/或肿瘤预测装置300输出的各种数据。数据存储装置500中可以设置有mysql数据库，该数据库可以用于存储高维特征、深度特征、系统动态化信息、dicom文件存储路径以及系统使用记录等。数据存储装置500支持原始数据及分析结果的云端保存和实时查看，也支持跨地区和多中心之间的数据共享。
控制装置600可以用于控制数据管理装置100、资源监测装置200、肿瘤预测装置300、可视化处理装置400、数据存储装置500的操作。
通过利用上述云平台，可以实现对影像数据的高效管理、对肿瘤分类的准确预测以及数据的实时共享。
在一个实施例中，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序被执行时能够实现上述方法实施例中描述对应的功能。该计算机程序还可在如1图所示的终端或服务器上运行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储介质、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
上述实施例阐明的系统、设备、装置、单元等，具体可以由半导体芯片、计算机芯片和/或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个芯片中实现。
虽然本申请提供了如上述实施例或流程图所述的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。另外，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
上述实施例是为便于该技术领域的普通技术人员能够理解和使用本申请而描述的。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其它实施例中而不必经过创造性的劳动。因此，本申请不限于上述实施例，本领域技术人员根据本申请的揭示，不脱离本申请范畴所做出的改进和修改都应该在本申请的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！