CN113744801A - 肿瘤类别的确定方法、装置、系统、电子设备及存储介质 - Google Patents

肿瘤类别的确定方法、装置、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN113744801A
CN113744801A CN202111053557.8A CN202111053557A CN113744801A CN 113744801 A CN113744801 A CN 113744801A CN 202111053557 A CN202111053557 A CN 202111053557A CN 113744801 A CN113744801 A CN 113744801A
Authority
CN
China
Prior art keywords
tumor
image
gray level
prediction
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111053557.8A
Other languages
English (en)
Other versions
CN113744801B (zh
Inventor
刘亚欧
卓芝政
孙婷
刘幸
王引言
段云云
叶初阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Tiantan Hospital
Original Assignee
Beijing Tiantan Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Tiantan Hospital filed Critical Beijing Tiantan Hospital
Priority to CN202111053557.8A priority Critical patent/CN113744801B/zh
Publication of CN113744801A publication Critical patent/CN113744801A/zh
Application granted granted Critical
Publication of CN113744801B publication Critical patent/CN113744801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/50—Mutagenesis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Biophysics (AREA)
  • Genetics & Genomics (AREA)
  • General Engineering & Computer Science (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Biotechnology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供了肿瘤类别的确定方法、装置、系统、电子设备及存储介质，包括：将获取到的患者的目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像；将标注灰度图像输入至选定的基因预测模型中，得到患者的至少一个预测基因突变概率；其中，基因预测模型是基于对肿瘤的预测需求选定的；根据至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。在本申请中，通过将患者的目标灰度图像输入到肿瘤位置标注模型以及基因预测模型中，根据肿瘤的扫描位置以及预测需求，得到全面且准确的至少一个预测基因突变概率，进而根据至少一个预测基因突变概率，确定出肿瘤所属的肿瘤类别，有助于提升对肿瘤分类的准确性。

Description

肿瘤类别的确定方法、装置、系统、电子设备及存储介质
技术领域
本申请涉及医学数据处理技术领域，尤其是涉及肿瘤类别的确定方法、装置、系统、电子设备及存储介质。
背景技术
弥漫性神经胶质瘤是临床上神经系统最为常见的原发性肿瘤，严重危害人类健康，如何根据确定出弥漫性神经胶质瘤的精准分类和分级是有着重大的研究意义的，随着科学技术的发展，通过分子病理研究不同弥漫性神经胶质瘤样本的分类特征被引入到对弥漫性神经胶质瘤的研究过程中，现阶段通过分子病理对弥漫性神经胶质瘤的研究还是停留在基于核磁共振图像进行图像识别的过程中，但是对核磁共振图像的图像研究无法全面地确定出全部的基因突变问题，同时，基于核磁共振图像的基因识别依赖于图像采集的清晰度，对肿瘤的分类的准确性也比较低。
发明内容
有鉴于此，本申请的目的在于提供肿瘤类别的确定方法、装置、系统、电子设备及存储介质，通过将患者的目标灰度图像输入到肿瘤位置标注模型以及基因预测模型中，根据肿瘤的扫描位置以及预测需求，得到全面且准确的至少一个预测基因突变概率，进而根据至少一个预测基因突变概率，确定出肿瘤所属的肿瘤类别，有助于提升对肿瘤分类的准确性。
第一方面，本申请实施例提供了一种肿瘤类别的确定方法，所述确定方法包括：
获取患者的目标灰度图像；
将所述目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像；其中，所述肿瘤位置标注模型是基于所述目标灰度图像的扫描位置以及扫描定位信息确定的；
将所述标注灰度图像输入至选定的基因预测模型中，得到所述患者的至少一个预测基因突变概率；其中，所述基因预测模型是基于对所述肿瘤的预测需求选定的；
根据所述至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。
在一种可能的实施方式中，所述预测需求包括以下至少一种：
针对单个基因突变的预测需求、针对异柠檬酸脱氢酶的不同状态下的预测需求、针对多个基因突变的预测需求。
在一种可能的实施方式中，所述预测需求包括异柠檬酸脱氢酶的不同状态下的预测需求，所述将所述标注灰度图像输入至选定的基因预测模型中，得到所述患者的至少一个预测基因突变概率：
基于所述患者的检测报告，确定所述异柠檬酸脱氢酶的突变类型；
根据所述异柠檬酸脱氢酶的突变类型，根据所述标注灰度图像中指示的肿瘤的形态，确定对应的至少一个预测基因突变概率。
在一种可能的实施方式中，所述将所述目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像，包括：
将所述目标灰度图像按照预设划分阈值，进行区域划分，得到多个子灰度区域；
根据各个子灰度区域对应的灰度值以及预设灰度阈值，从所述多个子灰度区域中筛选出目标灰度区域；
在所述目标灰度图像中对所述目标灰度区域包括的范围进行标注，得到所述标注灰度图像。
在一种可能的实施方式中，所述获取患者的目标灰度图像，包括：
获取患者的扫描图像；
对所述扫描图像进行均匀性矫正以及分割处理后，得到初始灰度图像；
根据所述初始灰度图像以及预设的灰度取值范围，对所述初始灰度图像进行灰度归一化处理，得到所述目标灰度图像。
在一种可能的实施方式中，通过以下步骤训练所述肿瘤位置标注模型：
从多个不同肿瘤图像库中，获取多张样本肿瘤图像；
将每一张样本肿瘤图像输入至预先构建好的深度学习模型中，得到每张样本肿瘤图像对应的标注样本图像以及预测可信度；
确定得出的多张标注样本图像中预测可信度小于预设可信度阈值的异常图像数量；
若所述异常图像数量大于预设图像数量阈值，调整所述深度学习模型中的参数，直至所述异常图像数量小于预设图像数量阈值，确定所述深度学习模型训练结束，得到所述肿瘤位置标注模型。
第二方面，本申请实施例还提供了一种肿瘤类别的确定装置，所述确定装置包括：
灰度图像获取模块，用于获取患者的目标灰度图像；
标注图像获取模块，用于将所述目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像；其中，所述肿瘤位置标注模型是基于所述目标灰度图像的扫描位置以及扫描定位信息确定的；
突变概率获取模块，用于将所述标注灰度图像输入至选定的基因预测模型中，得到所述患者的至少一个预测基因突变概率；其中，所述基因预测模型是基于对所述肿瘤的预测需求选定的；
肿瘤类别确定模块，用于根据所述至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。
第三方面，本申请实施例还提供了一种肿瘤类别的确定系统，所述肿瘤类别的确定系统包括图像采集装置、服务器以及医学影像装置；
所述图像采集装置，用于采集患者的目标灰度图像，并将所述目标灰度图像、扫描部位信息以及扫描定位信息发送至服务器；在接收到所述服务器反馈的标注灰度图像后，将所述标注灰度图像发送至所述医学影像装置；
所述服务器，用于在接收到所述目标灰度图像后，根据所述扫描部位信息以及扫描定位信息，筛选出对应的肿瘤位置标注模型，将所述目标灰度图像输入至所述肿瘤位置标注模型中，得到标注肿瘤位置的标注灰度图像，并将所述标注灰度图像反馈给所述图像采集装置；
所述医学影像装置，用于在接收到所述标注灰度图像后，根据对肿瘤的预测需求，确定对应的基因预测模型，将所述标注灰度图像输入至所述基因预测模型中，得到至少一个预测基因突变概率，并根据所述至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。
第四方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面任一项所述的肿瘤类别的确定方法的步骤。
第五方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一项所述的肿瘤类别的确定方法的步骤。
本申请实施例提供的肿瘤类别的确定方法、装置、系统、电子设备及存储介质，获取患者的目标灰度图像，将获取到的目标灰度图像输入至根据目标灰度图像扫描位置以及定位信息确定的肿瘤位置标注模型中，得到标注肿瘤位置的标注灰度图像，将标注灰度图像输入至根据预测需求筛选出的基因预测模型中，得到至少一个预测基因突变概率，根据得到的至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。在本申请中，通过将患者的目标灰度图像输入到肿瘤位置标注模型以及基因预测模型中，根据肿瘤的扫描位置以及预测需求，得到全面且准确的至少一个预测基因突变概率，进而根据至少一个预测基因突变概率，确定出肿瘤所属的肿瘤类别，有助于提升对肿瘤分类的准确性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种肿瘤类别的确定方法的流程图；
图2为本申请实施例所提供的一种肿瘤类别的确定装置的结构示意图之一；
图3为本申请实施例所提供的一种肿瘤类别的确定装置的结构示意图之二；
图4为本申请实施例所提供的一种肿瘤类别的确定系统的结构示意图；
图5为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，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本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于医学数据处理技术领域，弥漫性神经胶质瘤(包括弥漫性胶质瘤和脊髓胶质瘤)是临床上神经系统最为常见的原发性肿瘤，严重危害人类健康，致死率极高，造成巨大的家庭和社会负担，对于弥漫胶质瘤的精准分类和分级有助于实现精准医疗，因此，如何根据确定出弥漫性神经胶质瘤的精准分类和分级是有着重大的研究意义的，现阶段通过将分子病理与传统组织病理结合，重新定义弥漫性神经胶质瘤的分类，可以应用组织学特征结合分子病理指标(单个基因或多个基因的共存)对弥漫性神经胶质瘤的分类研究提供依据。
经研究发现，现阶段通过分子病理对弥漫性神经胶质瘤的研究还是停留在对核磁共振图像进行图像识别的过程中，但是对核磁共振图像的图像研究无法全面地确定出全部的基因突变问题，并且，以往研究主要针对异柠檬酸脱氢酶(IDH)、1号染色体短臂和19号染色体长臂(1p/19q)、端粒酶反转录酶(telomerase reverse transcriptase，TERT)、DNA修复基因O～6-甲基鸟嘌呤-DNA甲基转移酶(DNArepair enzyme O(6)-methylguanine-DNAmethyltransferase，MGMT)、组蛋白H3.3的第27位赖氨酸残基(K27)甲硫氨酸化(H3 K27M)等单个基因状态预测。而弥漫性胶质瘤病因机制复杂，可能存在多个基因的突变(例如少突胶质细胞肿瘤常伴随IDH突变合并1p/19q共缺失)，单个基因的预测无法满足对胶质瘤基因突变的全面详细描述，同时，基于核磁共振图像的基因识别依赖于图像采集的清晰度，对肿瘤的分类的准确性也比较低。
基于此，本申请实施例提供了一种肿瘤类别的确定方法，以提升肿瘤预测的准确性。
请参阅图1，图1为本申请实施例所提供的一种肿瘤类别的确定方法的流程图。如图1中所示，本申请实施例提供的肿瘤类别的确定方法，包括：
S101、获取患者的目标灰度图像。
S102、将所述目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像；其中，所述肿瘤位置标注模型是基于所述目标灰度图像的扫描位置以及扫描定位信息确定的。
S103、将所述标注灰度图像输入至选定的基因预测模型中，得到所述患者的至少一个预测基因突变概率；其中，所述基因预测模型是基于对所述肿瘤的预测需求选定的。
S104、根据所述至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。
本申请实施例提供的一种肿瘤类别的确定方法，通过将患者的目标灰度图像输入到肿瘤位置标注模型以及基因预测模型中，根据肿瘤的扫描位置以及预测需求，得到全面且准确的至少一个预测基因突变概率，进而根据至少一个预测基因突变概率，确定出肿瘤所属的肿瘤类别，有助于提升对肿瘤分类的准确性。
下面对本申请实施例示例性的各步骤进行说明：
S101、获取患者的目标灰度图像。
在本申请实施例中，根据仪器扫描得到患者的目标灰度图像。
这里，对于目标灰度图像是经过处理过后的图像，对于获取到的最初的图像是通过核磁共振扫描得到的。
在一种可能的实施方式中，步骤“获取患者的目标灰度图像”，包括：
a1：获取患者的扫描图像。
在本申请实施例中，根据核磁共振仪器获取到包含有患者患处的扫描图像。
这里，在本申请实施例中是针对于弥漫性神经胶质瘤进行的研究，弥漫性神经胶质瘤包括脑胶质瘤以及脊髓胶质瘤，在获取到患者的扫描图像时，需要根据不同类型的胶质瘤来确定获取的扫描位置以及定位信息。
具体地，在本申请实施例中，获取的是患者的T2加权图像，在本申请设置中，脑胶质瘤是在T2轴位采集，脊髓胶质瘤是在T2矢状位采集。
其中，T2加权图像，主要对比度决定于组织间或组织状态间T2差别的磁共振图像；主要反映的是组织间T2值差别，同时在T2加权图像中不同灰度表征信号的不同，举例来说，短的T2值(简称短T2)为低信号，例如骨皮质；长的T2值(简称长T2)为高信号，例如脑脊液。
a2：对所述扫描图像进行均匀性矫正以及分割处理后，得到初始灰度图像。
在本申请实施例中，有的核磁共振(MRI)成像因为多个线圈并行会导致，随着距离变化，线圈的灵敏度下降，信号强度出现了变化，形成了不均匀的磁场由于磁场的不均匀性，会导致图像的不均匀，图像会出现部分区域低频的成分；不同图片的不同组织之间出现了灰度级的重叠导致了图像在配准、量化处理、以及分割时阈值不容易设置等困难，因此在获取到患者的扫描图像后，需要对扫描图像进行图像均匀化处理，得到均匀的扫描图像。
其中，对于图像不均匀性矫正，可以通过计算扫描图像的偏置场，然后用已知的偏置场对扫描图像进行重建的方式进行重建。
在本申请实施例中，对图像的分割处理是需要在扫描图像中分割出具体的胶质瘤的存在位置，例如，针对于脑胶质瘤需要从扫描图像中去确定出患者的大脑区域，针对于脊髓胶质瘤则是要留下脊髓区域。
具体地，针对于脑胶质瘤的分割处理，可以通过剥脑壳处理(Brain ExtractionTool1 in FSL)来进行，具体实施过程为：设置灰色以及其他色的初始值，留下较大的区域作为大脑区域。同时，如果初始参数设置后发现脑壳剥多了，将灰色的参数改小，留下较大的大脑区域。
具体地，针对于脊髓胶质瘤的分割处理，首先进行针对脊髓进行分割，然后根据脊髓分割的区域进行T2图像的裁剪，得到初始灰度图像。
a3：根据所述初始灰度图像以及预设的灰度取值范围，对所述初始灰度图像进行灰度归一化处理，得到所述目标灰度图像。
在本申请实施例中，根据步骤a2中处理后得到的初始灰度图像，根据预设的灰度取值范围，对初始灰度图像进行归一化处理，得到目标灰度图像。
这里，预设的灰度取值范围可以是根据图像处理的需求进行的设置，将初始灰度图像进行统一化处理后，得到便于处理的灰度值在标准化的图像灰度范围内的目标灰度图像。
S102、将所述目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像；其中，所述肿瘤位置标注模型是基于所述目标灰度图像的扫描位置以及扫描定位信息确定的。
在本申请实施例中，将步骤S101获取到的目标灰度图像输入至选定的肿瘤位置标注模型中，经过肿瘤位置标注模型的标注，可以获取到标注了肿瘤具体位置的标注灰度图像。
这里，对于不同的弥漫性神经胶质瘤来说会对应有不同的肿瘤位置标注模型，因此需要根据目标灰度图像的扫描位置以及定位信息确定出来需要选择的肿瘤位置标注模型，来对目标灰度图像进行标注。
举例来说，根据核磁共振检测的扫描位置，确定出对患者的扫描位置为患者的脑补区域，那么说明是对脑胶质瘤的检测，需要选定与脑胶质瘤对应的肿瘤位置标注模型对目标灰度图像进行标注。
在一种可能的实施方式中，步骤“将所述目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像”，包括：
b1：将所述目标灰度图像按照预设划分阈值，进行区域划分，得到多个子灰度区域。
在本申请实施例中，将得到的目标灰度图像按照预设的划分阈值进行区域划分，在目标灰度图像中得到多个子灰度区域。
这里，对于预设的划分阈值的设置可以根据标注的检测精度以及目标灰度图像中包括的胶质瘤的类型进行确定，整体的划分原则为划分后的子灰度区域，可以准确确定出各个区域的灰度值以及图像内容。
b2：根据各个子灰度区域对应的灰度值以及预设灰度阈值，从所述多个子灰度区域中筛选出目标灰度区域。
在本申请实施例中，根据各个子灰度区域对应的灰度值以及预设灰度阈值，从多个子灰度区域中筛选出目标灰度区域。
其中，目标灰度区域中包括至少一个子灰度区域。
这里，对于包含胶质瘤的图像区域的灰度值一定是与未包含胶质瘤的图像区域的灰度值存在较大差异，因此，可以根据历史灰度图像的识别结果，确定一个预设灰度阈值，根据预设灰度阈值筛选出包含有胶质瘤的目标灰度区域。
b3：在所述目标灰度图像中对所述目标灰度区域包括的范围进行标注，得到所述标注灰度图像。
在本申请实施例中，在步骤b2确定出包含有胶质瘤的目标灰度区域后，将目标灰度区域进行标注，标注出肿瘤位置的标注灰度图像。
这里，对于目标灰度区域的标注可以是将目标灰度区域的区域边界描绘出来，也可以是将目标灰度区域的整个区域按照不同的显示颜色进行标注。
在一种可能的实施方式中，通过以下步骤训练所述肿瘤位置标注模型：
c1：从多个不同肿瘤图像库中，获取多张样本肿瘤图像。
在本申请是实施例中，为了保证模型训练的泛化性，需要从不同的肿瘤图像库中确定出不同来源的样本肿瘤图像。
值得注意的是，在本申请实施例中，样本肿瘤图像中均是已经标注好肿瘤位置的样本图像。例如，可以是在样本图像中由医护人员手动标注肿瘤位置的样本肿瘤图像。
在一种可能的实施方式中，对于其他未经手动标注的所有肿瘤T2图像，采用深度学习框架进行肿瘤分割，通过视觉检查判读分割效果。对于分割效果不好图像：(1)分割区域占肿瘤区域比例<50％(包括未分割出任何结果的病例)；(2)分割区域中的非肿瘤区域超过图像显示肿瘤区域的50％。采用由专业影像诊断组医生进行手动修正或重新勾画。
c2：将每一张样本肿瘤图像输入至预先构建好的深度学习模型中，得到每张样本肿瘤图像对应的标注样本图像以及预测可信度。
在本申请实施例中，将通过步骤c1获取到的每一张样本肿瘤图像输入至预先构建好的深度学习模型中，确定出每张样本肿瘤图像对应的标注样本图像以及对应的预测可信度。
其中，深度学习模型可以是3D nnU-Net模型。
这里，为了保证模型训练的准确性，需要在模型训练的过程中加入不确定分析，在训练过程中在输出标注样本图像的同时输出预测可信度，来表征本次预测结果的准确性，为后续模型参数的调整以及更新提供参考。
c3：确定得出的多张标注样本图像中预测可信度小于预设阈值的异常图像数量。
在本申请实施例中，确定出多张标注样本中对应的预测可信度小于预设可信度阈值的异常图像数量。
c4：若所述异常图像数量大于预设图像数量阈值，调整所述深度学习模型中的参数，直至所述异常图像数量小于预设图像数量阈值，确定所述深度学习模型训练结束，得到所述肿瘤位置标注模型。
在本申请实施例中，若是通过步骤c3的预测，确定出异常图像数量大于预设图像数量阈值，这时确定深度学习模型中的参数的预测是不合理的，需要调整深度学习模型中的参数，再次针对于多张样本肿瘤图像进行预测以及异常图像数量的确定，直至异常图像数量小于预设图像数量阈值，确定深度学习模型训练结束，得到肿瘤位置标注模型。
S103、将所述标注灰度图像输入至选定的基因预测模型中，得到所述患者的至少一个预测基因突变概率；其中，所述基因预测模型是基于对所述肿瘤的预测需求选定的。
在本申请实施例中，将步骤S102确定出的标注灰度图像输入至选定的基因预测模型中，进而确定出患者的多个预测基因的突变概率。
这里，可以根据对预测需求确定出对应的基因预测模型，将标注灰度图像输入至对应的基因预测模型中，得到对患者的至少一个预测基因突变概率。
其中，预测需求包括以下至少一种：
针对单个基因突变的预测需求、针对异柠檬酸脱氢酶(IDH)的不同状态下的预测需求、针对多个基因突变的预测需求。
这里，预测基因可以包括以下至少一种：1号染色体短臂和19号染色体长臂(1p/19q)、端粒酶反转录酶(telomerase reverse transcriptase，TERT)、DNA修复基因O～6-甲基鸟嘌呤-DNA甲基转移酶(DNArepair enzyme O(6)-methylguanine-DNAmethyltransferase，MGMT)、组蛋白H3.3的第27位赖氨酸残基(K27)甲硫氨酸化(H3 K27M)。
在本申请实施例中，当预测需求是针对单个基因突变的预测需求时，直接通过二分类的基因预测模型针对于需要预测的单个基因进行概率预测即可。
具体地，基因预测模型的输出结果可以包括：(1)预测IDH是否突变概率(针对非中线结构胶质瘤)；(2)预测1p/19q是否共缺失的概率(针对非中线结构胶质瘤)；(3)预测TERT是否突变的概率(针对非中线结构胶质瘤)；(4)预测MGMT是否甲基化的概率(针对非中线结构胶质瘤)；(5)预测H3 K27M是否突变的概率(针对中线结构胶质瘤[包括脑中线胶质瘤和脊髓胶质瘤])中的一个。
当预测需求是针对多个基因突变的预测需求时，也是基于通过二分类的基因预测模型针对于多个基因进行概率预测，直接输出多个基因突变概率即可。
具体地，基因预测模型的输出结果可以包括：同时进行IDH突变合并1p/19q共缺失，IDH突变不合并1p/19q共缺失和IDH野生型三种类型胶质瘤预测。
在一种可能的实施方式中，当预测需求包括异柠檬酸脱氢酶的不同状态下的预测需求时，步骤“将所述标注灰度图像输入至选定的基因预测模型中，得到所述患者的至少一个预测基因突变概率”，包括：
d1：基于所述患者的检测报告，确定所述异柠檬酸脱氢酶的突变类型。
在本申请实施例中，根据异柠檬酸脱氢酶的不同状态下的预测需求进行的基因突变概率预测是要确定出异柠檬酸脱氢酶的突变类型，才能进行基因突变的预测的。
具体地，可以直接根据患者的检测报告直接确定出异柠檬酸脱氢酶的突变类型，也可以是根据获取到的目标灰度图像进行的检测，确定出异柠檬酸脱氢酶的突变类型。
其中，异柠檬酸脱氢酶的突变类型的肿瘤包括以下两种：IDH突变胶质瘤以及IDH野生型胶质瘤。
d2：根据所述异柠檬酸脱氢酶的突变类型，根据所述标注灰度图像中指示的肿瘤的形态，确定对应的至少一个预测基因突变概率。
在本申请实施例中，根据异柠檬酸脱氢酶的突变类型以及在该异柠檬酸脱氢酶的突变类型下的基因的突变类型，与获取到的标注灰度图像中标注的肿瘤的形态进行匹配，确定出至少一个预测基因突变概率。
具体地，在本申请实施例中，至少一个预测基因突变概率可以包括如下预测结果：(1)在IDH突变胶质瘤中，预测1p/19q共缺失概率；(2)在IDH突变胶质瘤中(和1p/19q共缺失)，预测TERT突变概率；(3)在IDH突变胶质瘤中(和1p/19q共缺失)，预测MGMT甲基化概率；(4)在IDH野生型胶质瘤中，预测TERT突变概率；(5)在IDH野生型胶质瘤中，预测MGMT甲基化概率。
在一种可能的实施方式中，通过以下步骤训练所述基因预测模型：
e1：从多个不同肿瘤图像库中，获取多张样本基因预测图像。
在本申请实施例中，为了保证模型训练的泛化性，需要从不同的肿瘤图像库中确定出不同来源的样本基因预测图像。
值得注意的是，获取到的样本基因预测图像均是有对应的WHO级别以及基因突变预测概率的，同时在样本基因预测图像中已经完成了肿瘤位置确定，即在每一张样本基因预测图像中均标注有肿瘤位置。
e2：将每一张样本基因预测图像输入至预先构建好的深度学习模型中，得到每张样本图像对应的预测样本图像以及预测可信度。
在本申请实施例中，将通过步骤e1获取到的每一张样本基因预测图像输入至预先构建好的深度学习模型中，确定出每张样本基因预测图像对应的预测样本图像以及对应的预测可信度。
其中，深度学习模型可以是Efficient-B0网络架构。
这里，同样的，为了保证模型训练的准确性，需要在模型训练的过程中加入不确定分析，在训练过程中在输出标注样本图像的同时输出预测可信度，来表征本次预测结果的准确性，为后续模型参数的调整以及更新提供参考。
其中，将通过dropout实现多次模型预测后的多次预测结果之间的标准差作为不确定分析的不确定指标。
e3：确定得出的多张预测样本图像中预测可信度小于预设阈值的异常图像数量。
e4：若所述异常图像数量大于预设图像数量阈值，调整所述深度学习模型中的参数，直至所述异常图像数量小于预设图像数量阈值，确定所述深度学习模型训练结束，得到所述基因预测模型。
这里，步骤e3至步骤e4的具体实施方式与步骤c3至步骤c4的实施方式一致，在此不再进行赘述。
值得注意的是，本申请实施例中是针对于肿瘤位置标注以及预测基因突变概率的两个过程分别训练对应的肿瘤位置标注模型以及基因预测模型实现的，在另一种可能的实施方式中，也可以针对于肿瘤位置标注以及预测基因突变概率的两个过程训练成一个分割预测模型，通过一个分割预测模型直接输出肿瘤的标注位置以及至少一个预测基因突变概率。
具体的训练方式简述如下：基于3D nnU-Net模型，构建基于体素标签的肿瘤分割和预测深度学习框架，利用一个深度学习框架实现肿瘤分割和预测结果(预测结果以分割结果标签占比超过50％决定)的输出，同时输出分割和预测结果的不确定性指标，预测分组策略与单独训练基因预测模型的过程一致，在此不再进行赘述。
S104、根据所述至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。
在本申请实施例中，根据步骤S103确定出的至少一个预测基因突变概率，以及预设的分类标准确定出患者的肿瘤所属的肿瘤类别。
这里，在确定出患者的肿瘤所属的肿瘤类别，将确定出的肿瘤类别与患者的目标灰度图像进行关联存储，并将目标灰度图像按照所属的肿瘤类别存储至对应的肿瘤数据库中，以便得到临床中各个肿瘤类别丰富的图像，以便为后续对肿瘤进行更广泛的研究提供准确且丰富的数据依据。
本申请实施例提供的肿瘤类别的确定方法，获取患者的目标灰度图像，将获取到的目标灰度图像输入至根据目标灰度图像扫描位置以及定位信息确定的肿瘤位置标注模型中，得到标注肿瘤位置的标注灰度图像，将标注灰度图像输入至根据预测需求筛选出的基因预测模型中，得到至少一个预测基因突变概率，根据得到的至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。在本申请中，通过将患者的目标灰度图像输入到肿瘤位置标注模型以及基因预测模型中，根据肿瘤的扫描位置以及预测需求，得到全面且准确的至少一个预测基因突变概率，进而根据至少一个预测基因突变概率，确定出肿瘤所属的肿瘤类别，有助于提升对肿瘤分类的准确性。
基于同一发明构思，本申请实施例中还提供了与肿瘤类别的确定方法对应的肿瘤类别的确定装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述肿瘤类别的确定方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图2、图3，图2为本申请实施例所提供的一种肿瘤类别的确定装置的结构示意图之一，图3为本申请实施例所提供的一种肿瘤类别的确定装置的结构示意图之二。如图2中所示，所述确定装置200包括：
灰度图像获取模块210，用于获取患者的目标灰度图像；
标注图像获取模块220，用于将所述目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像；其中，所述肿瘤位置标注模型是基于所述目标灰度图像的扫描位置以及扫描定位信息确定的；
突变概率获取模块230，用于将所述标注灰度图像输入至选定的基因预测模型中，得到所述患者的至少一个预测基因突变概率；其中，所述基因预测模型是基于对所述肿瘤的预测需求选定的；
肿瘤类别确定模块240，用于根据所述至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。
在一种可能的实施方式中，如图3所示，所述确定装置200还包括模型训练模块250，所述模型训练模块250用于通过以下步骤训练所述肿瘤位置标注模型：
从多个不同肿瘤图像库中，获取多张样本肿瘤图像；
将每一张样本肿瘤图像输入至预先构建好的深度学习模型中，得到每张样本肿瘤图像对应的标注样本图像以及预测可信度；
确定得出的多张标注样本图像中预测可信度小于预设可信度阈值的异常图像数量；
若所述异常图像数量大于预设图像数量阈值，调整所述深度学习模型中的参数，直至所述异常图像数量小于预设图像数量阈值，确定所述深度学习模型训练结束，得到所述肿瘤位置标注模型。
在一种可能的实施方式中，所述预测需求包括以下至少一种：
针对单个基因突变的预测需求、针对异柠檬酸脱氢酶的不同状态下的预测需求、针对多个基因突变的预测需求。
在一种可能的实施方式中，所述预测需求包括异柠檬酸脱氢酶的不同状态下的预测需求，所述突变概率获取模块230在用于将所述标注灰度图像输入至选定的基因预测模型中，得到所述患者的至少一个预测基因突变概率时，所述突变概率获取模块230用于：
基于所述患者的检测报告，确定所述异柠檬酸脱氢酶的突变类型；
根据所述异柠檬酸脱氢酶的突变类型，根据所述标注灰度图像中指示的肿瘤的形态，确定对应的至少一个预测基因突变概率。
在一种可能的实施方式中，所述标注图像获取模块220在用于将所述目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像时，所述标注图像获取模块220用于：
将所述目标灰度图像按照预设划分阈值，进行区域划分，得到多个子灰度区域；
根据各个子灰度区域对应的灰度值以及预设灰度阈值，从所述多个子灰度区域中筛选出目标灰度区域；
在所述目标灰度图像中对所述目标灰度区域包括的范围进行标注，得到所述标注灰度图像。
在一种可能的实施方式中，所述灰度图像获取模块210在用于获取患者的目标灰度图像时，所述灰度图像获取模块210用于：
获取患者的扫描图像；
对所述扫描图像进行均匀性矫正以及分割处理后，得到初始灰度图像；
根据所述初始灰度图像以及预设的灰度取值范围，对所述初始灰度图像进行灰度归一化处理，得到所述目标灰度图像。
本申请实施例提供的肿瘤类别的确定装置，获取患者的目标灰度图像，将获取到的目标灰度图像输入至根据目标灰度图像扫描位置以及定位信息确定的肿瘤位置标注模型中，得到标注肿瘤位置的标注灰度图像，将标注灰度图像输入至根据预测需求筛选出的基因预测模型中，得到至少一个预测基因突变概率，根据得到的至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。在本申请中，通过将患者的目标灰度图像输入到肿瘤位置标注模型以及基因预测模型中，根据肿瘤的扫描位置以及预测需求，得到全面且准确的至少一个预测基因突变概率，进而根据至少一个预测基因突变概率，确定出肿瘤所属的肿瘤类别，有助于提升对肿瘤分类的准确性。
在一种可能的实施方式中，本申请实施例还提供了一种肿瘤类别的确定系统，请参阅图4，图4为本申请实施例所提供的一种肿瘤类别的确定系统400的结构示意图，如图4中所示，所述确定系统400包括图像采集装置410、服务器420以及医学影像装置430；
所述确定系统400的工作过程为：图像采集装置410在采集到的患者的目标灰度图像后，将目标灰度图像、扫描部位信息以及扫描定位信息发送至服务器420，服务器420在接收到目标灰度图像后，根据扫描部位信息以及扫描定位信息选择出肿瘤位置标注模型，对目标灰度图像进行肿瘤位置标注，得到标注灰度图像，并将标注灰度图像反馈给图像采集装置410，图像采集装置410在接收到标注灰度图像后，将标注灰度图像发送至医学影像装置430，医学影像装置430在接收到标注灰度图像后，根据对肿瘤的预测需求，确定出对应的基因预测模型，根据标注灰度图像进行基因突变概率预测，得到至少一个预测基因突变概率，并根据至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别，并生成分析报告存储在医学影像装置430中，以供后续对肿瘤类别的研究。
具体地，所述图像采集装置410，用于采集患者的目标灰度图像，并将所述目标灰度图像、扫描部位信息以及扫描定位信息发送至服务器420；在接收到所述服务器420反馈的标注灰度图像后，将所述标注灰度图像发送至所述医学影像装置430。
在本申请实施例中，图像采集装置410可以是核磁共振采集仪器，并且在对患者完成图像扫描之后，可以通过医院内网将扫描到的目标灰度图像发送至服务器420。
其中，目标灰度图像为T2加权图像，可以根据T2加权图像的影像DICOM头文件信息获取是扫描部位和定位信息。
进一步的，所述服务器420，用于在接收到所述目标灰度图像后，根据所述扫描部位信息以及扫描定位信息，筛选出对应的肿瘤位置标注模型，将所述目标灰度图像输入至所述肿瘤位置标注模型中，得到标注肿瘤位置的标注灰度图像，并将所述标注灰度图像反馈给所述图像采集装置410。
在本申请实施例中，服务器420可以为医院的局域网服务器(本地服务器)，通过院内局域网与图像采集装置410直接相连。
这里，对于肿瘤位置标注模型的选择可以是服务器420内部直接根据扫描部位信息以及扫描定位信息对肿瘤位置标注模型进行筛选，也可以是设置不同的选择按钮，由操作人员根据需求按下对应的按钮，对肿瘤位置标注模型进行确定和筛选。
进一步的，所述医学影像装置430，用于在接收到所述标注灰度图像后，根据对肿瘤的预测需求，确定对应的基因预测模型，将所述标注灰度图像输入至所述基因预测模型中，得到至少一个预测基因突变概率，并根据所述至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。
这里，同样的，对于基因预测模型的选择可以是医学影像装置430内部直接根据对肿瘤的预测需求对基因预测模型进行筛选，也可以是设置不同的选择按钮，由操作人员根据需求按下对应的按钮，对基因预测模型进行确定和筛选。
这里，在得到至少一个预测基因突变概率以及患者的肿瘤所属的肿瘤类别，可以将得到的结果与患者本身的病例关联起来形成PDF报告，存在数据库中，以为后续对肿瘤进行研究提供依据。
本申请实施例提供的肿瘤类别的确定系统，通过图像采集装置、服务器以及医学影像装置直接的通信交互，可以根据肿瘤的扫描位置以及预测需求，得到全面且准确的至少一个预测基因突变概率，进而根据至少一个预测基因突变概率，确定出肿瘤所属的肿瘤类别，有助于提升对肿瘤分类的准确性，并且实现了临床数据的与应用之间的转化，为肿瘤数据的实时性以及全面性。
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1所示方法实施例中的肿瘤类别的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的肿瘤类别的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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。
另外，在本申请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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种肿瘤类别的确定方法，其特征在于，所述确定方法包括：
获取患者的目标灰度图像；
将所述目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像；其中，所述肿瘤位置标注模型是基于所述目标灰度图像的扫描位置以及扫描定位信息确定的；
将所述标注灰度图像输入至选定的基因预测模型中，得到所述患者的至少一个预测基因突变概率；其中，所述基因预测模型是基于对所述肿瘤的预测需求选定的；
根据所述至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。
2.根据权利要求1所述的确定方法，其特征在于，所述预测需求包括以下至少一种：
针对单个基因突变的预测需求、针对异柠檬酸脱氢酶的不同状态下的预测需求、针对多个基因突变的预测需求。
3.根据权利要求2所述的确定方法，其特征在于，所述预测需求包括异柠檬酸脱氢酶的不同状态下的预测需求，所述将所述标注灰度图像输入至选定的基因预测模型中，得到所述患者的至少一个预测基因突变概率：
基于所述患者的检测报告，确定所述异柠檬酸脱氢酶的突变类型；
根据所述异柠檬酸脱氢酶的突变类型，根据所述标注灰度图像中指示的肿瘤的形态，确定对应的至少一个预测基因突变概率。
4.根据权利要求1所述的确定方法，其特征在于，所述将所述目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像，包括：
将所述目标灰度图像按照预设划分阈值，进行区域划分，得到多个子灰度区域；
根据各个子灰度区域对应的灰度值以及预设灰度阈值，从所述多个子灰度区域中筛选出目标灰度区域；
在所述目标灰度图像中对所述目标灰度区域包括的范围进行标注，得到所述标注灰度图像。
5.根据权利要求1所述的确定方法，其特征在于，所述获取患者的目标灰度图像，包括：
获取患者的扫描图像；
对所述扫描图像进行均匀性矫正以及分割处理后，得到初始灰度图像；
根据所述初始灰度图像以及预设的灰度取值范围，对所述初始灰度图像进行灰度归一化处理，得到所述目标灰度图像。
6.根据权利要求1所述的确定方法，其特征在于，通过以下步骤训练所述肿瘤位置标注模型：
从多个不同肿瘤图像库中，获取多张样本肿瘤图像；
将每一张样本肿瘤图像输入至预先构建好的深度学习模型中，得到每张样本肿瘤图像对应的标注样本图像以及预测可信度；
确定得出的多张标注样本图像中预测可信度小于预设可信度阈值的异常图像数量；
若所述异常图像数量大于预设图像数量阈值，调整所述深度学习模型中的参数，直至所述异常图像数量小于预设图像数量阈值，确定所述深度学习模型训练结束，得到所述肿瘤位置标注模型。
7.一种肿瘤类别的确定装置，其特征在于，所述肿瘤类别的确定包括：
灰度图像获取模块，用于获取患者的目标灰度图像；
标注图像获取模块，用于将所述目标灰度图像输入至选定的肿瘤位置标注模型，得到标注肿瘤位置的标注灰度图像；其中，所述肿瘤位置标注模型是基于所述目标灰度图像的扫描位置以及扫描定位信息确定的；
突变概率获取模块，用于将所述标注灰度图像输入至选定的基因预测模型中，得到所述患者的至少一个预测基因突变概率；其中，所述基因预测模型是基于对所述肿瘤的预测需求选定的；
肿瘤类别确定模块，用于根据所述至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。
8.一种肿瘤类别的确定系统，其特征在于，所述肿瘤类别的确定系统包括图像采集装置、服务器以及医学影像装置；
所述图像采集装置，用于采集患者的目标灰度图像，并将所述目标灰度图像、扫描部位信息以及扫描定位信息发送至服务器；在接收到所述服务器反馈的标注灰度图像后，将所述标注灰度图像发送至所述医学影像装置；
所述服务器，用于在接收到所述目标灰度图像后，根据所述扫描部位信息以及扫描定位信息，筛选出对应的肿瘤位置标注模型，将所述目标灰度图像输入至所述肿瘤位置标注模型中，得到标注肿瘤位置的标注灰度图像，并将所述标注灰度图像反馈给所述图像采集装置；
所述医学影像装置，用于在接收到所述标注灰度图像后，根据对肿瘤的预测需求，确定对应的基因预测模型，将所述标注灰度图像输入至所述基因预测模型中，得到至少一个预测基因突变概率，并根据所述至少一个预测基因突变概率，确定患者的肿瘤所属的肿瘤类别。
9.一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至6中任一项所述的肿瘤类别的确定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的肿瘤类别的确定方法。
CN202111053557.8A 2021-09-09 2021-09-09 肿瘤类别的确定方法、装置、系统、电子设备及存储介质 Active CN113744801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111053557.8A CN113744801B (zh) 2021-09-09 2021-09-09 肿瘤类别的确定方法、装置、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111053557.8A CN113744801B (zh) 2021-09-09 2021-09-09 肿瘤类别的确定方法、装置、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113744801A true CN113744801A (zh) 2021-12-03
CN113744801B CN113744801B (zh) 2023-05-26

Family

ID=78737498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111053557.8A Active CN113744801B (zh) 2021-09-09 2021-09-09 肿瘤类别的确定方法、装置、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113744801B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114999571A (zh) * 2022-06-06 2022-09-02 哈尔滨工业大学 一种诊断早期结肠癌的突变基因筛选方法及系统
CN115132354A (zh) * 2022-07-06 2022-09-30 哈尔滨医科大学 一种患者类型识别方法、装置、电子设备及存储介质
WO2024060842A1 (zh) * 2022-09-19 2024-03-28 京东方科技集团股份有限公司 分类模型获取方法、表达类别确定方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210441A (zh) * 2020-01-02 2020-05-29 苏州瑞派宁科技有限公司 肿瘤预测方法、装置、云平台及计算机可读存储介质
CN111968742A (zh) * 2020-08-14 2020-11-20 上海市肺科医院 一种肺癌基因突变的跨模态预测系统及方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010115885A1 (en) * 2009-04-03 2010-10-14 Oslo Universitetssykehus Hf Predictive classifier score for cancer patient outcome
CN108320807A (zh) * 2018-01-18 2018-07-24 中山大学 一种鼻咽癌人工智能辅助诊疗决策云系统
CN110490850B (zh) * 2019-02-14 2021-01-08 腾讯科技（深圳）有限公司 一种肿块区域检测方法、装置和医学图像处理设备
CN109858562A (zh) * 2019-02-21 2019-06-07 腾讯科技（深圳）有限公司 一种医学影像的分类方法、装置和存储介质
CN111311553A (zh) * 2020-01-21 2020-06-19 长沙理工大学 基于感兴趣区域的乳腺肿瘤识别方法、装置及存储介质
CN111369534A (zh) * 2020-03-05 2020-07-03 上海市肺科医院（上海市职业病防治院） 一种预测肺癌病理图像中基因突变的辅助系统及方法
CN111462048A (zh) * 2020-03-09 2020-07-28 平安科技（深圳）有限公司 多标签多示例的图像检测方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210441A (zh) * 2020-01-02 2020-05-29 苏州瑞派宁科技有限公司 肿瘤预测方法、装置、云平台及计算机可读存储介质
CN111968742A (zh) * 2020-08-14 2020-11-20 上海市肺科医院 一种肺癌基因突变的跨模态预测系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114999571A (zh) * 2022-06-06 2022-09-02 哈尔滨工业大学 一种诊断早期结肠癌的突变基因筛选方法及系统
CN114999571B (zh) * 2022-06-06 2024-03-29 哈尔滨工业大学 一种诊断早期结肠癌的突变基因筛选方法及系统
CN115132354A (zh) * 2022-07-06 2022-09-30 哈尔滨医科大学 一种患者类型识别方法、装置、电子设备及存储介质
CN115132354B (zh) * 2022-07-06 2023-05-30 哈尔滨医科大学 一种患者类型识别方法、装置、电子设备及存储介质
WO2024060842A1 (zh) * 2022-09-19 2024-03-28 京东方科技集团股份有限公司 分类模型获取方法、表达类别确定方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113744801B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
Gaser et al. CAT–A computational anatomy toolbox for the analysis of structural MRI data
Gupta et al. Prediction and classification of Alzheimer’s disease based on combined features from apolipoprotein-E genotype, cerebrospinal fluid, MR, and FDG-PET imaging biomarkers
Ledig et al. Structural brain imaging in Alzheimer’s disease and mild cognitive impairment: biomarker analysis and shared morphometry database
US10339653B2 (en) Systems, methods and devices for analyzing quantitative information obtained from radiological images
Esteban et al. MRIQC: Advancing the automatic prediction of image quality in MRI from unseen sites
CN113744801A (zh) 肿瘤类别的确定方法、装置、系统、电子设备及存储介质
US8831327B2 (en) Systems and methods for tissue classification using attributes of a biomarker enhanced tissue network (BETN)
EP2812828B1 (en) Interactive optimization of scan databases for statistical testing
Gatta et al. Towards a modular decision support system for radiomics: A case study on rectal cancer
Zhang et al. A multidimensional choledoch database and benchmarks for cholangiocarcinoma diagnosis
US9974490B2 (en) Method and device for segmenting a medical examination object with quantitative magnetic resonance imaging
Yune et al. Beyond human perception: sexual dimorphism in hand and wrist radiographs is discernible by a deep learning model
Fan et al. Williams syndrome-specific neuroanatomical profile and its associations with behavioral features
CN115210772B (zh) 用于处理通用疾病检测的电子图像的系统和方法
Bernatz et al. Impact of rescanning and repositioning on radiomic features employing a multi-object phantom in magnetic resonance imaging
CN111656393A (zh) 组织学图像分析
van Opbroek et al. Transfer learning by feature-space transformation: A method for Hippocampus segmentation across scanners
Vollmar et al. Impact of geometry and viewing angle on classification accuracy of 2D based analysis of dysmorphic faces
Diamond et al. Computational anatomy and geometric shape analysis enables analysis of complex craniofacial phenotypes in zebrafish
US20230260629A1 (en) Diagnosis support device, operation method of diagnosis support device, operation program of diagnosis support device, dementia diagnosis support method, and trained dementia opinion derivation model
US20230260630A1 (en) Diagnosis support device, operation method of diagnosis support device, operation program of diagnosis support device, and dementia diagnosis support method
US20230281971A1 (en) Method and device for analyzing pathological slide image
Svanera et al. Fighting the scanner effect in brain MRI segmentation with a progressive level-of-detail network trained on multi-site data
CN109637632B (zh) 用于可视化医学图像数据集的方法、系统和计算机介质
Neubauer et al. Efficient claustrum segmentation in T2-weighted neonatal brain MRI using transfer learning from adult scans

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant