CN115205214A - 一种基于医学数据库的肿瘤靶点探寻装置及方法 - Google Patents

一种基于医学数据库的肿瘤靶点探寻装置及方法 Download PDF

Info

Publication number
CN115205214A
CN115205214A CN202210645570.0A CN202210645570A CN115205214A CN 115205214 A CN115205214 A CN 115205214A CN 202210645570 A CN202210645570 A CN 202210645570A CN 115205214 A CN115205214 A CN 115205214A
Authority
CN
China
Prior art keywords
tumor
target
determining
image
pathological
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.)
Pending
Application number
CN202210645570.0A
Other languages
English (en)
Inventor
林�智
陈伟均
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.)
Guangzhou Yikangda Biotechnology Co ltd
Original Assignee
Guangzhou Yikangda Biotechnology Co ltd
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 Guangzhou Yikangda Biotechnology Co ltd filed Critical Guangzhou Yikangda Biotechnology Co ltd
Priority to CN202210645570.0A priority Critical patent/CN115205214A/zh
Publication of CN115205214A publication Critical patent/CN115205214A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种基于医学数据库的肿瘤靶点探寻装置及方法，其装置包括：图像采集模块，用于基于患者诊断信息确定患者的被检组织部位，并基于预设图像采集装置采集被检组织部位的病理图像；分析模块，用于基于医学数据库构建肿瘤检测模型，并对所述病理图像进行分析处理，确定被检组织部位中的肿瘤特征；位置锁定模块，用于对肿瘤特征进行分析，确定被检组织部位中肿瘤靶点的具体位置，并基于具体位置对所肿瘤靶点进行标记。通过根据医学数据库构建肿瘤检测模型，实现对肿瘤图像进行高效准确的分析，从而确保对肿瘤靶点的位置进行科学准确的锁定，提高了对肿瘤靶点位置探寻的效率以及准确率，从而为患者进行肿瘤治疗提供了保障与便利。

Description

一种基于医学数据库的肿瘤靶点探寻装置及方法
技术领域
本发明涉及医学图像处理技术领域，特别涉及一种基于医学数据库的肿瘤靶点探寻装置及方法。
背景技术
目前，随着生活质量的越来越高，人们对自身的身体健康更加关注，但是由于人们对生活作息以及饮食规律的忽视，从而容易诱发各种疾病，肿瘤则为其中一种；
目前，临床上通常采用CT图像，再通过医生的从业经验实现对患者体内肿瘤的位置、形状以及良恶性进行判断，由于采用机器与人工相结合的方式，通常误判率较大，且分析诊断结果不详细，
因此，本发明提供了一种基于医学数据库的肿瘤靶点探寻装置及方法，用以通过根据医学数据库构建肿瘤检测模型，实现对肿瘤图像进行高效准确的分析，从而确保对肿瘤靶点的位置进行科学准确的锁定，提高了对肿瘤靶点位置探寻的效率以及准确率，从而为患者进行肿瘤治疗提供了保障与便利。
发明内容
本发明提供一种基于医学数据库的肿瘤靶点探寻装置及方法，用以通过根据医学数据库构建肿瘤检测模型，实现对肿瘤图像进行高效准确的分析，从而确保对肿瘤靶点的位置进行科学准确的锁定，提高了对肿瘤靶点位置探寻的效率以及准确率，从而为患者进行肿瘤治疗提供了保障与便利。
本发明提供了一种基于医学数据库的肿瘤靶点探寻装置，包括：
图像采集模块，用于基于患者诊断信息确定患者的被检组织部位，并基于预设图像采集装置采集所述被检组织部位的病理图像；
分析模块，用于基于医学数据库构建肿瘤检测模型，并基于所述肿瘤检测模型对所述病理图像进行分析处理，确定所述被检组织部位中的肿瘤特征；
位置锁定模块，用于对所述肿瘤特征进行分析，确定所述被检组织部位中肿瘤靶点的具体位置，并基于所述具体位置对所述肿瘤靶点进行标记。
优选的，一种基于医学数据库的肿瘤靶点探寻装置，图像采集模块，包括：
诊断信息分析单元，用于获取患者的电子诊断信息，并基于所述电子诊断信息确定所述患者的诊断组织部位集合；
所述诊断信息分析单元，还用于确定所述诊断组织部位集合中各诊断组织部位的诊断数据，并对所述诊断数据进行语义分割，得到多个子数据块；
部位确定单元，用于提取所述子数据块中的关键词，并基于所述关键词确定各诊断部位的诊断结论；
所述部位确定单元，还用于基于所述诊断结论确定所述患者需要做进一步检测的被检组织部位。
优选的，一种基于医学数据库的肿瘤靶点探寻装置，图像采集模块，还包括：
被检部位锁定单元，用于确定所述患者的被检组织部位，并提取所述被检组织部位的属性信息；
仪器调整单元，用于基于所述属性信息确定所述被检组织部位在所述患者身体上的目标区域，并基于所述目标区域确定所述预设图像采集装置对所述被检组织部位的图像采样点；
图像采集单元，还用于基于所述图像采样点对所述预设图像采集装置的拍摄角度进行设置，并基于设置结果对所述患者的被检组织部位进行图像采集，得到所述被检组织部位的病理图像，其中，每个图像采样点对应的病理图像不唯一。
优选的，一种基于医学数据库的肿瘤靶点探寻装置，图像采集单元，包括：
图像获取子单元，用于获取被检组织部位的病理图像，并确定所述病理图像的图像采集角度；
图像分类子单元，用于将所述图像采集角度与所述图像采样点进行匹配，并基于匹配结果将所述病理图像进行分类，得到目标类别病理图像，其中，所述目标类别病理图像共有三类；
图像筛选子单元，用于确定每一类所述目标类别病理图像中各病理图像的清晰度，并将所述清晰度与预设阈值进行比较；
所述图像筛选子单元，用于基于比较结果，将清晰度小于所述预设阈值的病理图像进行剔除，得到最终的目标类别病理图像。
优选的，一种基于医学数据库的肿瘤靶点探寻装置，分析模块，包括：
数据获取单元，用于确定待调取数据的数据检索关键词，同时，确定所述医学数据库的检索规则；
所述数据获取单元，用于基于所述数据检索就关键词以及所述检索规则从所述医学数据库中调取目标共享医疗数据，其中，所述目标医疗共享数据包括肿瘤病理图像以及对所述肿瘤病理图像中肿瘤的描述以及标记；
模型构建单元，用于将所述目标共享医疗数据划分为训练集和验证集，同时，构建肿瘤检测模型；
所述模型构建单元，还用于基于所述训练集对所述肿瘤检测模型进行训练，并在训练结束后基于所述验证集对训练后的肿瘤检测模型进行验证，且在验证通过后得到的目标肿瘤检测模型；
病理图像分析单元，用于将所述病理图像输入所述目标肿瘤检测模型，且所述目标肿瘤检测模型对所述病理图像进行降噪处理，并基于降噪结果提取所述病理图像的图像特征；
所述病理图像分析单元，用于基于所述图像特征确定所述病理图像的疑似病灶区域，并对所述疑似病灶区域进行图像增强处理；
所述病理图像分析单元，还用于基于图像增强处理结果确定所述疑似病灶区域中的组织结构特征，并基于所述组织结构特征确定所述疑似病灶区域为肿瘤区域的目标概率；
所述病理图像分析单元，还用于将所述目标概率与预设概率进行比较，且在所述目标概率大于或等于所述预设概率时，判定所述疑似病灶区域为目标肿瘤区域，并确定所述目标肿瘤区域的尺寸信息；
图像分割单元，用于基于所述尺寸信息将所述目标肿瘤区域从所述病理图像中进行分割，并基于分割结果确定所述目标肿瘤区域边界曲线；
肿瘤特征确定单元，用于基于所述边界曲线确定所述目标肿瘤区域中包含的肿瘤的形状特征，同时，确定所述病理图像的成像比例；
所述肿瘤特征确定单元，还用于基于所述成像比例确定所述目标肿瘤区域的尺寸信息对应的实际尺寸信息，并基于所述实际尺寸信息确定所述目标肿瘤区域中包含的肿瘤的大小；
所述肿瘤特征确定单元，还用于基于所述肿瘤的形状特征以及肿瘤的大小得到被检组织部位中的肿瘤特征。
优选的，一种基于医学数据库的肿瘤靶点探寻装置，肿瘤特征确定单元，包括：
模型构建子单元，用于获取预设肿瘤特征参数，并确定所述预设肿瘤特征参数的数据特征，其中，所述预设肿瘤特征参数包括肿瘤前期、肿瘤中期以及肿瘤晚期对应的肿瘤特征；
所述模型构建子单元，用于基于所述数据特征将所述预设肿瘤特征参数进行分类，并基于分类结果对预设肿瘤分类模型进行训练，得到目标肿瘤分类模型；
肿瘤特征获取子单元，用于获取被检组织部位中的肿瘤特征，并将所述被检组织部位中的肿瘤特征输入所述目标肿瘤分类模型；
肿瘤分析子单元，用于基于所述目标肿瘤分类模型将所述被检组织部位中的肿瘤特征分别与肿瘤前期、肿瘤中期以及肿瘤晚期对应的肿瘤特征进行比较，确定对应的有效差异特征；
所述肿瘤分析子单元，还用于将所述有效差异特征与预设差异阈值进行比较，且当所述有效差异特征小于或等于所述预设差异阈值时，确定被检组织部位中的肿瘤的严重等级。
优选的，一种基于医学数据库的肿瘤靶点探寻装置，肿瘤特征确定单元，还包括：
肿瘤分析子单元，用于获取被检组织部位中的肿瘤特征，并基于所述肿瘤特征确定肿瘤在器官中的第一病理形态；
趋势分析子单元，用于基于预设时间段对所述肿瘤在器官中的第一病理形态进行监测，确定所述肿瘤在预设时间段后的第二病理形态；
所述趋势分析子单元，用于将所述第一病理形态与所述第二病理形态进行比较，确定所述肿瘤的发展趋势，并基于所述肿瘤的发展趋势确定所述肿瘤对器官的影响趋势。
优选的，一种基于医学数据库的肿瘤靶点探寻装置，位置锁定模块，
三维重构单元，用于获取被检组织部位的深度图，并将所述深度图转换为对应的三维数据点集，其中，所述三维数据点集中包括多个三维点；
所述三维重构单元，用于在所述三维数据点集中选取关键三维点，并确定所述关键三维点的坐标值，其中，所述关键三维点不唯一；
所述三维重构单元，还用于基于所述关键三维点的坐标值确定三维数据点集中各三维点与所述关键三维点之间的距离以及方位，并基于所述距离以及方位确定所述三维数据点集对应的点云矩阵，得到所述被检组织部位的三维立体模型；
所述三维重构单元，还用于获取所述肿瘤特征，并基于所述肿瘤特征确定肿瘤靶点对应的肿瘤三维立体模型；
边线确定单元，用于将所述被检组织部位的三维立体模型与所述肿瘤三维立体模型进行叠加，并基于叠加结果确定所述肿瘤靶点与被检组织部位相交的边界线；
距离确定单元，还用于将所述边界线量化为实际肿瘤点，并确定所述实际肿瘤点至同侧被检组织部位表面的第一距离以及至反侧被检组织部位表面的第二距离；
肿瘤位置确定单元，用于基于所述第一距离以及第二距离确定所述肿瘤靶点与被检组织部位的位置关系，并基于所述位置关系确定所述肿瘤靶点的具体位置；
标记单元，用于将所述被检组织部位的三维立体模型与所述肿瘤三维立体模型进行叠加后得到的叠加模型放置于预设三维坐标系中，并基于所述肿瘤靶点的具体位置确定所述肿瘤靶点在被检组织部位中的目标坐标；
所述标记单元，用于基于所述目标坐标对所述肿瘤靶点的具体位置进行标记。
优选的，一种基于医学数据库的肿瘤靶点探寻装置，肿瘤位置确定单元，包括：
数据获取子单元，用于获取所述肿瘤靶点的具体位置，同时，确定所述被检组织部位的类别名称；
报告生成子单元，用于基于所述肿瘤靶点的具体位置以及所述被检组织部位的类别名称确定目标记录项目，并基于所述目标记录项目匹配目标报告模板；
所述报告生成子单，还用于将所述肿瘤靶点的具体位置以及所述被检组织部位的类别名称填入所述目标报告模板，并在所述目标报告模板记录所述肿瘤靶点的具体位置与所述被检组织部位位置关系，得到目标检查报告；
传输子单元，用于获取患者的终端通讯地址，并基于所述终端通讯地址将所述目标检查报告传输至患者终端。
优选的，一种基于医学数据库的肿瘤靶点探寻方法，包括：
基于患者诊断信息确定患者的被检组织部位，并基于预设图像采集装置采集所述被检组织部位的病理图像；
基于医学数据库构建肿瘤检测模型，并基于所述肿瘤检测模型对所述病理图像进行分析处理，确定所述被检组织部位中的肿瘤特征；
对所述肿瘤特征进行分析，确定所述被检组织部位中肿瘤靶点的具体位置，并基于所述具体位置对所述肿瘤靶点进行标记。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于医学数据库的肿瘤靶点探寻装置的结构图；
图2为本发明实施例中一种基于医学数据库的肿瘤靶点探寻装置中图像采集模块的结构图；
图3为本发明实施例中一种基于医学数据库的肿瘤靶点探寻方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本实施例提供了一种基于医学数据库的肿瘤靶点探寻装置，如图1所示，包括：
图像采集模块，用于基于患者诊断信息确定患者的被检组织部位，并基于预设图像采集装置采集所述被检组织部位的病理图像；
分析模块，用于基于医学数据库构建肿瘤检测模型，并基于所述肿瘤检测模型对所述病理图像进行分析处理，确定所述被检组织部位中的肿瘤特征；
位置锁定模块，用于对所述肿瘤特征进行分析，确定所述被检组织部位中肿瘤靶点的具体位置，并基于所述具体位置对所述肿瘤靶点进行标记。
该实施例中，患者诊断信息指的是患者在接受治疗时，医生对患者做出的医学结论，其中，医学结论包括肿瘤可能存在的身体部位等。
该实施例中，被检组织部位指的是需要对患者的某一身体部位进行进一步检测的组织器官，具体为胸部、头部等。
该实施例中，预设图像采集装置是提前设定好的，具体为CT、ECT等。
该实施例中，病理图像指的是对患者被检组织部位经过仪器进行图像采集操作后得到的分析图像，用于确定肿瘤的具体位置。
该实施例中，医学数据库指的是用于存储各科室或是典型医学数据或是诊断经验的数据库，用于为不同种类的疾病诊断过程提供理论依据。
该实施例中，肿瘤特征指的是肿瘤的大小、形状以及与其他器官接触的面积、或是接触器官的种类等。
该实施例中，肿瘤靶点指的是患者被检组织部位中发生肿瘤病变的部位。
该实施例中，具体位置指的是肿瘤在患者被检组织部位中存在的具体位置情况，从而便于对肿瘤进行相应的治疗操作。
上述技术方案的有益效果是：通过根据医学数据库构建肿瘤检测模型，实现对肿瘤图像进行高效准确的分析，从而确保对肿瘤靶点的位置进行科学准确的锁定，提高了对肿瘤靶点位置探寻的效率以及准确率，从而为患者进行肿瘤治疗提供了保障与便利。
实施例2：
在上述实施例1的基础上，本实施例提供了一种基于医学数据库的肿瘤靶点探寻装置，图像采集模块，包括：
诊断信息分析单元，用于获取患者的电子诊断信息，并基于所述电子诊断信息确定所述患者的诊断组织部位集合；
所述诊断信息分析单元，还用于确定所述诊断组织部位集合中各诊断组织部位的诊断数据，并对所述诊断数据进行语义分割，得到多个子数据块；
部位确定单元，用于提取所述子数据块中的关键词，并基于所述关键词确定各诊断部位的诊断结论；
所述部位确定单元，还用于基于所述诊断结论确定所述患者需要做进一步检测的被检组织部位。
该实施例中，电子诊断信息指的是医生对患者各部位的问诊诊断数据，是以电子版的形式存储至医院的患者就诊数据库中，便于不同终端根据需要调取患者相应的诊断信息。
该实施例中，诊断组织部位集合指的是医生对患者进行初步检查或是诊断的身体部位，具体为胸部、头部、腿部等部位的集合。
该实施例中，诊断数据指的是各个组织部位的诊断结果。
该实施例中，语义分割指的是根据诊断结果的结构或是目的对诊断数据进行划分，从而便于确定诊断数据中有关诊断结论的关键词。
该实施例中，子数据块指的是将各诊断组织部位的诊断数据进行划分后得到的不同的数据块。
该实施例中，关键词指的是诊断数据中能够表明诊断数据的最终结论的某一数据片段，具体为“无异常”、“存在异常”等。
上述技术方案的有益效果是：通过对患者的诊断信息进行分析，实现对患者可能存在问题的诊断部位进行分析，从而便于准确确定患者需要进行进一步检查的被检组织部位，为准确探寻肿瘤靶点的位置提供了保障。
实施例3：
在上述实施例1的基础上，本实施例提供了一种基于医学数据库的肿瘤靶点探寻装置，如图2所示，图像采集模块，还包括：
被检部位锁定单元，用于确定所述患者的被检组织部位，并提取所述被检组织部位的属性信息；
仪器调整单元，用于基于所述属性信息确定所述被检组织部位在所述患者身体上的目标区域，并基于所述目标区域确定所述预设图像采集装置对所述被检组织部位的图像采样点；
图像采集单元，还用于基于所述图像采样点对所述预设图像采集装置的拍摄角度进行设置，并基于设置结果对所述患者的被检组织部位进行图像采集，得到所述被检组织部位的病理图像，其中，每个图像采样点对应的病理图像不唯一。
该实施例中，属性信息指的是被检组织部位的名称、结构以及器官种类等。
该实施例中，目标区域指的是被检组织部位在患者身体上所处位置，具体为胃部在身体中上部位置等。
该实施例中，图像采样点指的是预设图像采样装置对患者的被检组织部位进行图像采样的方位，具体为左侧、上侧、右侧等。
该实施例中，拍摄角度指的是需要确保将被检组织部位呈现在病理图像的中部位置。
上述技术方案的有益效果是：通过确定被检组织部位在患者身体的区域位置，从而实现对预设图像采集装置的采样点以及拍摄角度进行设置，确保对患者被检组织部位进行准确有效的图像采集，从而为准确分析患者的肿瘤靶点的位置提供了保障。
实施例4：
在上述实施例3的基础上，本实施例提供了一种基于医学数据库的肿瘤靶点探寻装置，图像采集单元，包括：
图像获取子单元，用于获取被检组织部位的病理图像，并确定所述病理图像的图像采集角度；
图像分类子单元，用于将所述图像采集角度与所述图像采样点进行匹配，并基于匹配结果将所述病理图像进行分类，得到目标类别病理图像，其中，所述目标类别病理图像共有三类；
图像筛选子单元，用于确定每一类所述目标类别病理图像中各病理图像的清晰度，并将所述清晰度与预设阈值进行比较；
所述图像筛选子单元，用于基于比较结果，将清晰度小于所述预设阈值的病理图像进行剔除，得到最终的目标类别病理图像。
该实施例中，图像采集角度指的是兵力图像中记录患者被检组织部位的方向或是角度，其中，图像采集角度与图像采样点相对应。
该实施例中，目标类别病理图像指的是将采集到的病理图像按照图像采样点进行归类，每一类中的病理图像的图像采样点一致。
该实施例中，预设阈值是提前设定好的，用于衡量每一目标类别兵力图像的清晰度是否达到预期要求。
上述技术方案的有益效果是：通过将得到的病理图像按照图像采样点进行分类，并根据分类结果将每一类别病理图像中清晰度小于预设阈值的病理图像进行剔除，得到最终采集到的病理图像，为准确分析患者被检组织部位的肿瘤靶点的位置提供了便利以及保障，确保对肿瘤靶点进行准确的探寻。
实施例5：
在上述实施例1的基础上，本实施例提供了一种基于医学数据库的肿瘤靶点探寻装置，分析模块，包括：
数据获取单元，用于确定待调取数据的数据检索关键词，同时，确定所述医学数据库的检索规则；
所述数据获取单元，用于基于所述数据检索就关键词以及所述检索规则从所述医学数据库中调取目标共享医疗数据，其中，所述目标医疗共享数据包括肿瘤病理图像以及对所述肿瘤病理图像中肿瘤的描述以及标记；
模型构建单元，用于将所述目标共享医疗数据划分为训练集和验证集，同时，构建肿瘤检测模型；
所述模型构建单元，还用于基于所述训练集对所述肿瘤检测模型进行训练，并在训练结束后基于所述验证集对训练后的肿瘤检测模型进行验证，且在验证通过后得到的目标肿瘤检测模型；
病理图像分析单元，用于将所述病理图像输入所述目标肿瘤检测模型，且所述目标肿瘤检测模型对所述病理图像进行降噪处理，并基于降噪结果提取所述病理图像的图像特征；
所述病理图像分析单元，用于基于所述图像特征确定所述病理图像的疑似病灶区域，并对所述疑似病灶区域进行图像增强处理；
所述病理图像分析单元，还用于基于图像增强处理结果确定所述疑似病灶区域中的组织结构特征，并基于所述组织结构特征确定所述疑似病灶区域为肿瘤区域的目标概率；
所述病理图像分析单元，还用于将所述目标概率与预设概率进行比较，且在所述目标概率大于或等于所述预设概率时，判定所述疑似病灶区域为目标肿瘤区域，并确定所述目标肿瘤区域的尺寸信息；
图像分割单元，用于基于所述尺寸信息将所述目标肿瘤区域从所述病理图像中进行分割，并基于分割结果确定所述目标肿瘤区域边界曲线；
肿瘤特征确定单元，用于基于所述边界曲线确定所述目标肿瘤区域中包含的肿瘤的形状特征，同时，确定所述病理图像的成像比例；
所述肿瘤特征确定单元，还用于基于所述成像比例确定所述目标肿瘤区域的尺寸信息对应的实际尺寸信息，并基于所述实际尺寸信息确定所述目标肿瘤区域中包含的肿瘤的大小；
所述肿瘤特征确定单元，还用于基于所述肿瘤的形状特征以及肿瘤的大小得到被检组织部位中的肿瘤特征。
该实施例中，待调取数据指的是在构建模型时，需要从医学数据库中调取的相关参考数据。
该实施例中，数据检索关键词指的是用于检索与肿瘤数据相关的魔偶以数据片段或是数据词，具体为“肿瘤”等。
该实施例中，检索规则指的是是从医学数据库中调取与肿瘤数据相关的数据时需要遵守的相关调取法则或是规矩，具体为每次能够调取的数据量以及每天能调取的次数等。
该实施例中，目标共享医疗数据指的是与肿瘤数据相关的诊断数据，其中，诊断数据是各个科室提前将相关肿瘤诊断数据上传至医学数据库中得到的。
该实施例中，肿瘤病理图像指的是与肿瘤相关的诊断图像或是包含肿瘤结构的诊断图像。
该实施例中，训练集指的是用于对构建的模型进行训练所需要的数据，确保对构建的模型进行准确有效的训练，使训练后的模型能够准确识别响应的肿瘤特征或结构。
该实施例中，验证集指的是对训练后的模型的识别准确性进行验证没确保训练后的模型可靠有效。
该实施例中，基于所述验证集对训练后的肿瘤检测模型进行验证指的是将验证集输入训练后的肿瘤检测模型，判断训练后的肿瘤检测模型对验证集识别后的结果是否与验证集一致，若一致，则验证通过。
该实施例中，目标肿瘤检测模型指的是对构建的肿瘤检测模型进行训练且验证后得到的最终肿瘤检测模型。
该实施例中，图像特征指的是被检组织部分的组织结构、被记录主体的形状以及大小等。
该实施例中，疑似病灶区域指的是被检组织区域中疑似包含肿瘤的图像区域。
该实施例中，图像增强处理指的是对疑似病灶区域的图像清晰度进行增强处理，确保能够对该区域的具体情况进行进一步分析。
该实施例中，组织结构特征指的是疑似病灶区域中细胞或是组织的结构特点，从而便于准确判断是否为肿瘤。
该实施例中，目标概率指的是用来衡量疑似病灶区域为肿瘤区域的可能性大小。
该实施例中，预设概率是提前设定好的，用于衡量是否达到判定为肿瘤区域的标准。
该实施例中，目标肿瘤区域指的是当疑似病灶区域为肿瘤区域的概率大于预设概率时，将疑似病灶区域判定为肿瘤区域。
该实施例中，边界曲线指的是目标肿瘤区域的边界情况，用于表征肿瘤区域的外形结构。
该实施例中，形状特征指的是目标肿瘤区域的外形特征，包括弯度、弧度以及所占面积等。
该实施例中，实际尺寸信息指的是病理图像中目标肿瘤区域在人体器官内部的实际尺寸。
上述技术方案的有益效果是：通过从医学数据库中调取与肿瘤相关的诊断数据，并根据诊断数据对构建的肿瘤检测模型进行训练以及验证，确保得到的肿瘤检测模型可靠有效，同时，将病理图像输入肿瘤检测模型进行分析检测，确定病理图像中包含的肿瘤区域，并对肿瘤区域进一步分析，从而确保对被检组织部位中的肿瘤特征进行准确有效的获取，为准确探寻肿瘤靶点提供了可靠保障，从而实现对肿瘤靶点进行准确的锁定。
实施例6：
在上述实施例5的基础上，本实施例提供了一种基于医学数据库的肿瘤靶点探寻装置，肿瘤特征确定单元，包括：
模型构建子单元，用于获取预设肿瘤特征参数，并确定所述预设肿瘤特征参数的数据特征，其中，所述预设肿瘤特征参数包括肿瘤前期、肿瘤中期以及肿瘤晚期对应的肿瘤特征；
所述模型构建子单元，用于基于所述数据特征将所述预设肿瘤特征参数进行分类，并基于分类结果对预设肿瘤分类模型进行训练，得到目标肿瘤分类模型；
肿瘤特征获取子单元，用于获取被检组织部位中的肿瘤特征，并将所述被检组织部位中的肿瘤特征输入所述目标肿瘤分类模型；
肿瘤分析子单元，用于基于所述目标肿瘤分类模型将所述被检组织部位中的肿瘤特征分别与肿瘤前期、肿瘤中期以及肿瘤晚期对应的肿瘤特征进行比较，确定对应的有效差异特征；
所述肿瘤分析子单元，还用于将所述有效差异特征与预设差异阈值进行比较，且当所述有效差异特征小于或等于所述预设差异阈值时，确定被检组织部位中的肿瘤的严重等级。
该实施例中，预设肿瘤特征参数是提前设定好的，包括肿瘤前期、肿瘤中期以及肿瘤晚期对应的肿瘤特征，其中，肿瘤特征包括形状、结构以及颜色等。
该实施例中，数据特征指的是不同分期下肿瘤特征参数的取值或是组成等。
该实施例中，预设肿瘤分类模型指的是用来将不同分期情况下的肿瘤进行区分，是提前设定好的，其中，分期包括前期、中期和晚期。
该实施例中，目标肿瘤分类模型指的是将预设肿瘤分类模型进行训练后得到的最终的模型。
该实施例中，有效差异特征指的是患者备件组织部位的肿瘤与前期、中期以及晚期对应的肿瘤之间的差异程度。
该实施例中，预设差异阈值是提前设定好的，用于衡量被检组织区域的肿瘤具体属于什么阶段。
上述技术方案的有益效果是：通过根据预设肿瘤特征参数对肿瘤分类模型进行训练，从而便于确保通过肿瘤分类模型准确锁定被检组织部位的肿瘤的当前阶段，从而实现对患者被检组织部位肿瘤的严重程度进行准确有效的判断，提高了对肿瘤靶点探寻的准确率以及实用性。
实施例7：
在上述实施例5的基础上，本实施例提供了一种基于医学数据库的肿瘤靶点探寻装置，肿瘤特征确定单元，还包括：
肿瘤分析子单元，用于获取被检组织部位中的肿瘤特征，并基于所述肿瘤特征确定肿瘤在器官中的第一病理形态；
趋势分析子单元，用于基于预设时间段对所述肿瘤在器官中的第一病理形态进行监测，确定所述肿瘤在预设时间段后的第二病理形态；
所述趋势分析子单元，用于将所述第一病理形态与所述第二病理形态进行比较，确定所述肿瘤的发展趋势，并基于所述肿瘤的发展趋势确定所述肿瘤对器官的影响趋势。
该实施例中，第一病理形态指的是肿瘤在被检组织部位中当前的存在形态，包括当前的面积大小、结构等。
该实施例中，预设时间段是提前设定好的，用于衡量肿瘤在被检组组织部位中的变化情况，具体为一天、两天等。
该实施例中，第二病理形态指的是肿瘤在经过一段时候在被检组织部位中的存在状态，包括面积大小、结构等。
该实施例中，发展趋势指的是肿瘤在被检组织部位中处于恶化趋势、保持不变趋势抑或是变好的趋势等。
该实施例中，影响趋势指的是肿瘤对被检组织部位功能的影响情况。
上述技术方案的有益效果是：通过确定肿瘤在被检组织部位中的当前病理状态与一段时间后的病理状态之间的差距，实现对肿瘤变化趋势以及对被检组织部位的影响趋势进行准确有效的分析，从而确保对肿瘤的当前情况进行准确有效的把握，提高了对肿瘤靶点探寻的有效性以及实用性。
实施例8：
在上述实施例1的基础上，本实施例提供了一种基于医学数据库的肿瘤靶点探寻装置，位置锁定模块，
三维重构单元，用于获取被检组织部位的深度图，并将所述深度图转换为对应的三维数据点集，其中，所述三维数据点集中包括多个三维点；
所述三维重构单元，用于在所述三维数据点集中选取关键三维点，并确定所述关键三维点的坐标值，其中，所述关键三维点不唯一；
所述三维重构单元，还用于基于所述关键三维点的坐标值确定三维数据点集中各三维点与所述关键三维点之间的距离以及方位，并基于所述距离以及方位确定所述三维数据点集对应的点云矩阵，得到所述被检组织部位的三维立体模型；
所述三维重构单元，还用于获取所述肿瘤特征，并基于所述肿瘤特征确定肿瘤靶点对应的肿瘤三维立体模型；
边线确定单元，用于将所述被检组织部位的三维立体模型与所述肿瘤三维立体模型进行叠加，并基于叠加结果确定所述肿瘤靶点与被检组织部位相交的边界线；
距离确定单元，还用于将所述边界线量化为实际肿瘤点，并确定所述实际肿瘤点至同侧被检组织部位表面的第一距离以及至反侧被检组织部位表面的第二距离；
肿瘤位置确定单元，用于基于所述第一距离以及第二距离确定所述肿瘤靶点与被检组织部位的位置关系，并基于所述位置关系确定所述肿瘤靶点的具体位置；
标记单元，用于将所述被检组织部位的三维立体模型与所述肿瘤三维立体模型进行叠加后得到的叠加模型放置于预设三维坐标系中，并基于所述肿瘤靶点的具体位置确定所述肿瘤靶点在被检组织部位中的目标坐标；
所述标记单元，用于基于所述目标坐标对所述肿瘤靶点的具体位置进行标记。
该实施例中，深度图是用来表征被检组织部位中每一像素点与摄像头之间距离，从而便于确定被检组织部位的三维结构。
该实施例中，三维数据点集指的是将备件组织部位对应的深度图转换为响应的点的形式，从而实现根据图像对被检组织进行三维重构。
该实施例中，关键三维点指的是能够表明被检组织部位的惯性形状的三维点，具体为拐点等。
该实施例中，点云矩阵指的是通过将三维点之间通过连线进行连接，实现对被检组织部位的轮廓进行有效获取。
该实施例中，基于所述肿瘤特征确定肿瘤靶点对应的肿瘤三维立体模型指的是通过与被检组织部位三维重构的原理根据肿瘤特征对肿瘤靶点进行响应的三维重构。
该实施例中，边界线指的是被检组织部位的三维立体模型与肿瘤三维立体模叠加后，二者之间的重合边线。
该实施例中，实际肿瘤点指的是将边界线量化为多个点，从而便于对肿瘤在被检组织部位中的具体位置进行准确判断。
该实施例中，第一距离指的是实际肿瘤点与被检组织部位表面最近一侧之间的距离。
该实施例中，第二距离指的是实际肿瘤点与被检组织部位表面最远一侧之间的距离。
该实施例中，预设三维坐标系是提前设定好的，用于确定肿瘤靶点在被检组织部位中的具体坐标。
该实施例中，目标坐标指的是肿瘤靶点在被检组织部位中的具体位置。
该实施例中，获取被检组织部位的深度图，并将所述深度图转换为对应的三维数据点集，包括：
获取被检组织部位的深度图，并确定所述深度图对应的目标函数f(x,y)；
对所述深度图像进行锐化处理，并基于锐化处理将所述深度图转换为对应的三维数据点集，具体步骤包括：
根据如下公式将所述深度图像进行锐化处理：
Figure BDA0003683951250000191
Figure BDA0003683951250000192
Figure BDA0003683951250000193
其中，
Figure BDA0003683951250000194
表示深度图对应的目标函数f(x,y)相对于自变量x的二阶差分方程；
Figure BDA0003683951250000195
表示深度图对应的目标函数f(x,y)相对于自变量y的二阶差分方程；
Figure BDA0003683951250000196
表示根据拉普拉斯算子对
Figure BDA0003683951250000197
进行转换后得到的关于深度图对应的目标函数f(x,y)的二阶差分方程；M(x,y)表示对深度图进行锐化处理后得到的图像；k表示扩散系数，取值范围为(0.8，1.2)；x表示所述深度图中横向像素点的个数；y表示所述深度图中纵向像素点的个数；
基于锐化处理结果确定所述被检组织部位的深度图的模糊度，并将所述模糊度与预设模糊度阈值进行比较；
若所述模糊度大于所述预设模糊度阈值，判定对所述被检组织部位的深度图的锐化处理过程不合格，并重新对所述被检组织部位的深度图进行锐化处理，直至所述模糊度小于或等于所述预设模糊度阈值；
否则，判定对所述被检组织部位的深度图的锐化处理过程合格，并对锐化处理后的深度图进行格式转换，得到所述深度图对应的三维数据点集；
基于所述三维数据点集对所述备件组织部位进行三维重构。
上述锐化处理指的是降低深度图的模糊度。
上述扩散系数指的是深度图在外界环境影响下，导致被检组织部位的物质分子扩散从而对深度图的影响。
上述预设模糊度阈值是提前设定好的，是可以进行调整的。
上述技术方案的有益效果是：通过获取被检组织部位的深度图，bong根据深度图对被检组织部位以及肿瘤区域进行三维重构，并根据三维重构结果对肿瘤靶点在被检组织部位中的位置进行准确锁定，提高了对肿瘤靶点探寻的准确度，从而为患者进行肿瘤治疗提供了保障与便利。
实施例9：
在上述实施例8的基础上，本实施例提供了一种基于医学数据库的肿瘤靶点探寻装置，肿瘤位置确定单元，包括：
数据获取子单元，用于获取所述肿瘤靶点的具体位置，同时，确定所述被检组织部位的类别名称；
报告生成子单元，用于基于所述肿瘤靶点的具体位置以及所述被检组织部位的类别名称确定目标记录项目，并基于所述目标记录项目匹配目标报告模板；
所述报告生成子单，还用于将所述肿瘤靶点的具体位置以及所述被检组织部位的类别名称填入所述目标报告模板，并在所述目标报告模板记录所述肿瘤靶点的具体位置与所述被检组织部位位置关系，得到目标检查报告；
传输子单元，用于获取患者的终端通讯地址，并基于所述终端通讯地址将所述目标检查报告传输至患者终端。
该实施例中，类别名称指的是用于表征被检组织部位的器官类型。
该实施例中，目标记录项目指的是需要在报告中显示的数据项目。
该实施例中，目标报告模板是预设报告模板库中的，适用于记录当前肿瘤靶点的具体位置以及被检组织部位的类别名称的报告模板。
该实施例中，目标检查报告指的是将肿瘤靶点的具体位置以及所述被检组织部位的类别名称填入目标报告模板后得到的最终的报告。
上述技术方案的有益效果是：通过将肿瘤靶点与被检组织部位的位置关系以及对应的名称在报告模板中进行记录，实现对肿瘤靶点探寻结果进行准确有效的记录，从而便于为后续治疗提供相应的参考依据。
实施例10：
本实施例提供了一种基于医学数据库的肿瘤靶点探寻方法，如图3所示，包括：
基于患者诊断信息确定患者的被检组织部位，并基于预设图像采集装置采集所述被检组织部位的病理图像；
基于医学数据库构建肿瘤检测模型，并基于所述肿瘤检测模型对所述病理图像进行分析处理，确定所述被检组织部位中的肿瘤特征；
对所述肿瘤特征进行分析，确定所述被检组织部位中肿瘤靶点的具体位置，并基于所述具体位置对所述肿瘤靶点进行标记。
上述技术方案的有益效果是：通过根据医学数据库构建肿瘤检测模型，实现对肿瘤图像进行高效准确的分析，从而确保对肿瘤靶点的位置进行科学准确的锁定，提高了对肿瘤靶点位置探寻的效率以及准确率，从而为患者进行肿瘤治疗提供了保障与便利。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于医学数据库的肿瘤靶点探寻装置，其特征在于，包括：
图像采集模块，用于基于患者诊断信息确定患者的被检组织部位，并基于预设图像采集装置采集所述被检组织部位的病理图像；
分析模块，用于基于医学数据库构建肿瘤检测模型，并基于所述肿瘤检测模型对所述病理图像进行分析处理，确定所述被检组织部位中的肿瘤特征；
位置锁定模块，用于对所述肿瘤特征进行分析，确定所述被检组织部位中肿瘤靶点的具体位置，并基于所述具体位置对所述肿瘤靶点进行标记。
2.根据权利要求1所述的一种基于医学数据库的肿瘤靶点探寻装置，其特征在于，图像采集模块，包括：
诊断信息分析单元，用于获取患者的电子诊断信息，并基于所述电子诊断信息确定所述患者的诊断组织部位集合；
所述诊断信息分析单元，还用于确定所述诊断组织部位集合中各诊断组织部位的诊断数据，并对所述诊断数据进行语义分割，得到多个子数据块；
部位确定单元，用于提取所述子数据块中的关键词，并基于所述关键词确定各诊断部位的诊断结论；
所述部位确定单元，还用于基于所述诊断结论确定所述患者需要做进一步检测的被检组织部位。
3.根据权利要求1所述的一种基于医学数据库的肿瘤靶点探寻装置，其特征在于，图像采集模块，还包括：
被检部位锁定单元，用于确定所述患者的被检组织部位，并提取所述被检组织部位的属性信息；
仪器调整单元，用于基于所述属性信息确定所述被检组织部位在所述患者身体上的目标区域，并基于所述目标区域确定所述预设图像采集装置对所述被检组织部位的图像采样点；
图像采集单元，还用于基于所述图像采样点对所述预设图像采集装置的拍摄角度进行设置，并基于设置结果对所述患者的被检组织部位进行图像采集，得到所述被检组织部位的病理图像，其中，每个图像采样点对应的病理图像不唯一。
4.根据权利要求3所述的一种基于医学数据库的肿瘤靶点探寻装置，其特征在于，图像采集单元，包括：
图像获取子单元，用于获取被检组织部位的病理图像，并确定所述病理图像的图像采集角度；
图像分类子单元，用于将所述图像采集角度与所述图像采样点进行匹配，并基于匹配结果将所述病理图像进行分类，得到目标类别病理图像，其中，所述目标类别病理图像共有三类；
图像筛选子单元，用于确定每一类所述目标类别病理图像中各病理图像的清晰度，并将所述清晰度与预设阈值进行比较；
所述图像筛选子单元，用于基于比较结果，将清晰度小于所述预设阈值的病理图像进行剔除，得到最终的目标类别病理图像。
5.根据权利要求1所述的一种基于医学数据库的肿瘤靶点探寻装置，其特征在于，分析模块，包括：
数据获取单元，用于确定待调取数据的数据检索关键词，同时，确定所述医学数据库的检索规则；
所述数据获取单元，用于基于所述数据检索就关键词以及所述检索规则从所述医学数据库中调取目标共享医疗数据，其中，所述目标医疗共享数据包括肿瘤病理图像以及对所述肿瘤病理图像中肿瘤的描述以及标记；
模型构建单元，用于将所述目标共享医疗数据划分为训练集和验证集，同时，构建肿瘤检测模型；
所述模型构建单元，还用于基于所述训练集对所述肿瘤检测模型进行训练，并在训练结束后基于所述验证集对训练后的肿瘤检测模型进行验证，且在验证通过后得到的目标肿瘤检测模型；
病理图像分析单元，用于将所述病理图像输入所述目标肿瘤检测模型，且所述目标肿瘤检测模型对所述病理图像进行降噪处理，并基于降噪结果提取所述病理图像的图像特征；
所述病理图像分析单元，用于基于所述图像特征确定所述病理图像的疑似病灶区域，并对所述疑似病灶区域进行图像增强处理；
所述病理图像分析单元，还用于基于图像增强处理结果确定所述疑似病灶区域中的组织结构特征，并基于所述组织结构特征确定所述疑似病灶区域为肿瘤区域的目标概率；
所述病理图像分析单元，还用于将所述目标概率与预设概率进行比较，且在所述目标概率大于或等于所述预设概率时，判定所述疑似病灶区域为目标肿瘤区域，并确定所述目标肿瘤区域的尺寸信息；
图像分割单元，用于基于所述尺寸信息将所述目标肿瘤区域从所述病理图像中进行分割，并基于分割结果确定所述目标肿瘤区域边界曲线；
肿瘤特征确定单元，用于基于所述边界曲线确定所述目标肿瘤区域中包含的肿瘤的形状特征，同时，确定所述病理图像的成像比例；
所述肿瘤特征确定单元，还用于基于所述成像比例确定所述目标肿瘤区域的尺寸信息对应的实际尺寸信息，并基于所述实际尺寸信息确定所述目标肿瘤区域中包含的肿瘤的大小；
所述肿瘤特征确定单元，还用于基于所述肿瘤的形状特征以及肿瘤的大小得到被检组织部位中的肿瘤特征。
6.根据权利要求5所述的一种基于医学数据库的肿瘤靶点探寻装置，其特征在于，肿瘤特征确定单元，包括：
模型构建子单元，用于获取预设肿瘤特征参数，并确定所述预设肿瘤特征参数的数据特征，其中，所述预设肿瘤特征参数包括肿瘤前期、肿瘤中期以及肿瘤晚期对应的肿瘤特征；
所述模型构建子单元，用于基于所述数据特征将所述预设肿瘤特征参数进行分类，并基于分类结果对预设肿瘤分类模型进行训练，得到目标肿瘤分类模型；
肿瘤特征获取子单元，用于获取被检组织部位中的肿瘤特征，并将所述被检组织部位中的肿瘤特征输入所述目标肿瘤分类模型；
肿瘤分析子单元，用于基于所述目标肿瘤分类模型将所述被检组织部位中的肿瘤特征分别与肿瘤前期、肿瘤中期以及肿瘤晚期对应的肿瘤特征进行比较，确定对应的有效差异特征；
所述肿瘤分析子单元，还用于将所述有效差异特征与预设差异阈值进行比较，且当所述有效差异特征小于或等于所述预设差异阈值时，确定被检组织部位中的肿瘤的严重等级。
7.根据权利要求5所述的一种基于医学数据库的肿瘤靶点探寻装置，其特征在于，肿瘤特征确定单元，还包括：
肿瘤分析子单元，用于获取被检组织部位中的肿瘤特征，并基于所述肿瘤特征确定肿瘤在器官中的第一病理形态；
趋势分析子单元，用于基于预设时间段对所述肿瘤在器官中的第一病理形态进行监测，确定所述肿瘤在预设时间段后的第二病理形态；
所述趋势分析子单元，用于将所述第一病理形态与所述第二病理形态进行比较，确定所述肿瘤的发展趋势，并基于所述肿瘤的发展趋势确定所述肿瘤对器官的影响趋势。
8.根据权利要求1所述的一种基于医学数据库的肿瘤靶点探寻装置，其特征在于，位置锁定模块，
三维重构单元，用于获取被检组织部位的深度图，并将所述深度图转换为对应的三维数据点集，其中，所述三维数据点集中包括多个三维点；
所述三维重构单元，用于在所述三维数据点集中选取关键三维点，并确定所述关键三维点的坐标值，其中，所述关键三维点不唯一；
所述三维重构单元，还用于基于所述关键三维点的坐标值确定三维数据点集中各三维点与所述关键三维点之间的距离以及方位，并基于所述距离以及方位确定所述三维数据点集对应的点云矩阵，得到所述被检组织部位的三维立体模型；
所述三维重构单元，还用于获取所述肿瘤特征，并基于所述肿瘤特征确定肿瘤靶点对应的肿瘤三维立体模型；
边线确定单元，用于将所述被检组织部位的三维立体模型与所述肿瘤三维立体模型进行叠加，并基于叠加结果确定所述肿瘤靶点与被检组织部位相交的边界线；
距离确定单元，还用于将所述边界线量化为实际肿瘤点，并确定所述实际肿瘤点至同侧被检组织部位表面的第一距离以及至反侧被检组织部位表面的第二距离；
肿瘤位置确定单元，用于基于所述第一距离以及第二距离确定所述肿瘤靶点与被检组织部位的位置关系，并基于所述位置关系确定所述肿瘤靶点的具体位置；
标记单元，用于将所述被检组织部位的三维立体模型与所述肿瘤三维立体模型进行叠加后得到的叠加模型放置于预设三维坐标系中，并基于所述肿瘤靶点的具体位置确定所述肿瘤靶点在被检组织部位中的目标坐标；
所述标记单元，用于基于所述目标坐标对所述肿瘤靶点的具体位置进行标记。
9.根据权利要求8所述的一种基于医学数据库的肿瘤靶点探寻装置，其特征在于，肿瘤位置确定单元，包括：
数据获取子单元，用于获取所述肿瘤靶点的具体位置，同时，确定所述被检组织部位的类别名称；
报告生成子单元，用于基于所述肿瘤靶点的具体位置以及所述被检组织部位的类别名称确定目标记录项目，并基于所述目标记录项目匹配目标报告模板；
所述报告生成子单，还用于将所述肿瘤靶点的具体位置以及所述被检组织部位的类别名称填入所述目标报告模板，并在所述目标报告模板记录所述肿瘤靶点的具体位置与所述被检组织部位位置关系，得到目标检查报告；
传输子单元，用于获取患者的终端通讯地址，并基于所述终端通讯地址将所述目标检查报告传输至患者终端。
10.一种基于医学数据库的肿瘤靶点探寻方法，其特征在于，包括：
基于患者诊断信息确定患者的被检组织部位，并基于预设图像采集装置采集所述被检组织部位的病理图像；
基于医学数据库构建肿瘤检测模型，并基于所述肿瘤检测模型对所述病理图像进行分析处理，确定所述被检组织部位中的肿瘤特征；
对所述肿瘤特征进行分析，确定所述被检组织部位中肿瘤靶点的具体位置，并基于所述具体位置对所述肿瘤靶点进行标记。
CN202210645570.0A 2022-06-08 2022-06-08 一种基于医学数据库的肿瘤靶点探寻装置及方法 Pending CN115205214A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210645570.0A CN115205214A (zh) 2022-06-08 2022-06-08 一种基于医学数据库的肿瘤靶点探寻装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210645570.0A CN115205214A (zh) 2022-06-08 2022-06-08 一种基于医学数据库的肿瘤靶点探寻装置及方法

Publications (1)

Publication Number Publication Date
CN115205214A true CN115205214A (zh) 2022-10-18

Family

ID=83575749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210645570.0A Pending CN115205214A (zh) 2022-06-08 2022-06-08 一种基于医学数据库的肿瘤靶点探寻装置及方法

Country Status (1)

Country Link
CN (1) CN115205214A (zh)

Similar Documents

Publication Publication Date Title
CN110060774B (zh) 一种基于生成式对抗网络的甲状腺结节识别方法
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
JP6807820B2 (ja) 画像検索装置、方法およびプログラム
CN111243042A (zh) 基于深度学习的超声甲状腺结节良恶性特征可视化的方法
KR101993716B1 (ko) 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법
CN104093354B (zh) 用于评估医学图像的方法和设备
EP4078510A1 (en) Automated tumor identification and segmentation with medical images
CN111553892B (zh) 基于深度学习的肺结节分割计算方法、装置及系统
JP2008259622A (ja) レポート作成支援装置およびそのプログラム
CN108062749B (zh) 肛提肌裂孔的识别方法、装置和电子设备
CN103249358A (zh) 医用图像处理装置
CN113743463B (zh) 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统
CN112767374A (zh) 基于mri的阿尔茨海默症病灶区域语义分割算法
US11205269B2 (en) Learning data creation support apparatus, learning data creation support method, and learning data creation support program
CN111265234A (zh) 一种肺部纵膈淋巴结的性质判定方法及系统
Sailaja et al. Effective Brain Stroke Prediction with Deep Learning Model by Incorporating YOLO_5 and SSD.
CN115205214A (zh) 一种基于医学数据库的肿瘤靶点探寻装置及方法
KR20200010661A (ko) 딥러닝 알고리즘을 이용한 자궁 병변 진단 장치 및 방법
KR101455198B1 (ko) Ｃｔ 영상 분석을 이용한 흉곽 변형성 정량적 평가 지표값 계산 방법, 시스템 및 기록 매체
Bhushan Liver cancer detection using hybrid approach-based convolutional neural network (HABCNN)
Srilakshmi et al. Performance enhancement of content based medical image retrieval for MRI brain images based on hybrid approach
TWI845365B (zh) 建立識別荷爾蒙受體狀態模型的方法、測定荷爾蒙受體狀態的方法及系統
CN117274244B (zh) 基于三维图像识别处理的医学成像检验方法、系统和介质
CN110709888B (zh) 信息处理装置和用于控制信息处理装置的方法
CN116229140A (zh) 一种脑部医学影像分类方法及装置

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