医学扫描数据处理方法、装置、医疗设备以及存储介质与流程

1.本技术涉及医疗设备技术领域，具体涉及一种医学扫描数据处理方法、装置、医疗设备以及计算机可读存储介质(简称存储介质)。


背景技术：

2.随着医学诊疗技术的发展，医学影像数据在辅助诊疗中的作用越来越重要。医师通常可以通过医学影像确定患者的疾病位置和疾病类型，从而对患者采取相应的诊疗措施。
3.由于人体生理组织的特点，在图像采集时需要采用ct、mr、超声等不同的扫描格式类别对患者对应部分进行扫描，获得不同扫描格式类别的扫描数据。然而，对于不同扫描格式类别的扫描数据，往往需要采用对应的处理算法单独完成病灶识别以获取响应的病灶信息，处理过程复杂，扫描数据的处理用时较长，效率较低，且对病灶的识别准确率低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种医学扫描数据处理方法、装置、医疗设备以及存储介质，用以提高医学扫描数据的处理效率。
5.第一方面，本技术提供一种医学扫描数据处理方法，该方法包括：
6.获取待处理的医学扫描数据；
7.根据医学扫描数据的扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集；其中，目标医学扫描数据集中的医学扫描数据的扫描特征类别相同；
8.确定各目标医学扫描数据集对应的预设病灶识别算法，基于预设病灶识别算法对各目标医学扫描数据集进行病灶识别，得到各目标医学扫描数据集的病灶识别结果；
9.将各目标医学扫描数据集的病灶识别结果进行融合，得到病灶信息。
10.在本技术一些实施例中，目标医学扫描数据集包括第一医学扫描数据集以及第二医学扫描数据集；
11.根据医学扫描数据的扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集，包括：
12.将不同扫描特征类别的医学扫描数据划分为不同的第一医学扫描数据集；
13.将任意两个或两个以上的第一医学扫描数据集，组合为第二医学扫描数据集。
14.在本技术一些实施例中，扫描特征类别包括第一扫描特征类别以及第二扫描特征类别；
15.根据医学扫描数据的扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集，包括：
16.从医学扫描数据中，筛选第一扫描特征类别为目标第一扫描特征类别的候选医学扫描数据；
17.根据候选医学扫描数据的第二扫描特征类别，对候选医学扫描数据进行整合处
理，得到多个目标医学扫描数据集。
18.在本技术一些实施例中，扫描特征类别包括扫描病灶类别、扫描位置类别或扫描格式类别。
19.在本技术一些实施例中，根据医学扫描数据的扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集，包括：
20.根据医学扫描数据的扫描病灶类别以及扫描格式类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集；其中，目标医学扫描数据集中的医学扫描数据的扫描病灶类别及扫描格式类别均相同；
21.基于预设病灶识别算法对各目标医学扫描数据集进行病灶识别，得到各目标医学扫描数据集的病灶识别结果，包括：
22.根据目标医学扫描数据集中各个目标医学扫描数据的扫描病灶类别，确定具有关联区域的两个目标医学扫描数据；
23.获取具有关联区域的两个目标医学扫描数据间的差值数据；
24.根据差值数据获取目标医学扫描数据集的病灶识别结果。
25.在本技术一些实施例中，获取待处理的医学扫描数据，包括：
26.获取标的用户的第一医学扫描数据；
27.根据第一医学扫描数据的扫描特征类别，从标的用户的历史医学扫描数据中，获取第二医学扫描数据，第二医学扫描数据的扫描特征类别与第一扫描数据的扫描特征类别相同；
28.将第一医学扫描数据以及第二医学扫描数据作为待处理的医学扫描数据。
29.在本技术一些实施例中，病灶信息包括病灶位置信息、病灶图像信息、病灶变化趋势信息中的至少一个。
30.在本技术一些实施例中，预设病灶识别算法包括神经网络算法、支持向量机算法、小波变换算法中的至少一种。
31.在本技术一些实施例中，神经网络算法包括区域分割网络、区域分类网络以及区域定位网络；
32.基于预设病灶识别算法对各目标医学扫描数据集进行病灶识别，得到各目标医学扫描数据集的病灶识别结果，包括：
33.将目标医学扫描数据集中的医学扫描数据输入至区域分割网络中，得到各医学扫描数据中病灶预测区域；
34.对病灶预测区域输入至区域分类网络中，从病灶预测区域中确定病灶标的区域；
35.通过区域定位网络获取病灶标的区域的位置信息以及图像信息。
36.第二方面，本技术提供一种医学扫描数据处理装置，该装置包括：
37.扫描数据获取模块，用于获取待处理的医学扫描数据；
38.扫描数据整合模块，用于根据医学扫描数据的扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集；其中，目标医学扫描数据集中的医学扫描数据的扫描特征类别相同；
39.识别结果获取模块，用于确定各目标医学扫描数据集对应的预设病灶识别算法，基于预设病灶识别算法对各目标医学扫描数据集进行病灶识别，得到各目标医学扫描数据
集的病灶识别结果；
40.病灶信息获取模块，用于将各目标医学扫描数据集的病灶识别结果进行融合，得到病灶信息。
41.第三方面，本技术还提供一种医疗设备，服务器包括：
42.一个或多个处理器；
43.存储器；以及
44.一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现医学扫描数据处理方法。
45.第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行医学扫描数据处理方法中的步骤。
46.第五方面，本技术实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面提供的方法。
47.上述医学扫描数据处理方法、装置、医疗设备以及存储介质，通过获取待处理的医学扫描数据，并根据医学扫描数据的扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集；在确定到各目标医学扫描数据集对应的预设病灶识别算法后，基于预设病灶识别算法对各目标医学扫描数据集进行病灶识别，得到各目标医学扫描数据集的病灶识别结果，最后，将各目标医学扫描数据集的病灶识别结果进行融合，得到病灶信息，实现对多扫描格式类别的医学扫描数据同时进行处理，有效提高对医学扫描数据的处理效率，且为后续的病灶信息的获取提供大量信息数据，同时对医学扫描数据按照扫描特征类别进行整合处理后，按照整合处理结果进行数据处理，实现在保留数据量的同时细化医学扫描数据的处理颗粒度，有效提高病灶信息的精确度。
附图说明
48.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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。
49.图1是本技术实施例中医学扫描数据处理方法的场景示意图；
50.图2是本技术实施例中医学扫描数据处理方法的流程示意图；
51.图3是本技术实施例中另一个医学扫描数据处理方法的流程示意图；
52.图4是本技术实施例中医学扫描数据处理装置的结构示意图；
53.图5是本技术实施例中计算机设备的结构示意图。
具体实施方式
54.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。
55.在本技术的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
56.在本技术的描述中，“例如”一词用来表示“用作例子、例证或说明”。本技术中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
57.在本技术实施例中，需要说明的是，本技术提供的医学扫描数据处理方法由于是在计算机设备中执行，各计算机设备的处理对象均以数据或信息的形式存在，例如扫描特征类别，实质为扫描特征类别信息，可以理解的是，后续实施例中若提及识别结果、位置、图像等，均为对应的数据存在，以便计算机设备进行处理，具体此处不作赘述。
58.在本技术实施例中，还需说明的是，本技术实施例提供的医学扫描数据处理方法，可以应用于如图1所示的医学扫描数据处理系统中。其中，该医学扫描数据处理系统包括终端100和服务器200，终端100可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端100具体可以是台式终端或移动终端，终端100具体还可以是手机、平板电脑、笔记本电脑等中的一种，又或是具有扫描获取医学影像图像的医疗设备，例如ct扫描仪、核磁共振扫描仪、超声波扫描仪。服务器200可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。
59.本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本技术方案一种应用场景，并不构成对本技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个服务器200，可以理解的，该医学扫描数据处理系统还可以包括一个或多个其他服务器，具体此处不作限定。另外，如图1所示，该医学扫描数据处理系统还可以包括存储器，用于存储数据，如存储医学扫描数据。
60.参阅图2，本技术实施例提供了一种医学扫描数据处理方法，主要以该方法应用于上述图1中的服务器200来举例说明，该方法包括步骤s210至s240，具体如下：
61.s210，获取待处理的医学扫描数据。
62.其中，医学扫描数据包括但不限于通过不同采用ct(computed tomography，电子计算机断层扫描)、mri(magnetic resonance imaging，磁共振成像)、超声波等不同的扫描方式获得的数据，不同扫描方式获得的医学扫描数据为不同扫描格式类别的医学扫描数据。
63.进一步地，医学扫描数据的数据格式包括但不限于图像数据格式、文本数据格式、标签数据格式，可以理解的是，图像数据格式的医学扫描数据是指通过不同扫描方式获得的医学影像图像，文本数据格式或标签数据格式的医学扫描数据是指对通过不同扫描方式获得的医学影像图像的标签信息，其中，文本数据格式可以是txt格式，标签数据格式可以是datalist格式，文本数据格式或标签数据格式可以是从诊疗单、病历报告等电子报告中提取得到的，也可以是对诊疗单、病历报告等纸制报告进行文本扫描获得的。具体地，服务器可以从不同的医疗扫描设备中，获取同一患者的多个医学扫描数据。
64.s220，根据医学扫描数据的扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集；其中，目标医学扫描数据集中的医学扫描数据的扫描特征类别相同。
65.其中，扫描特征类别包括但不限于扫描病灶类别、扫描位置类别或扫描格式类别。扫描病灶类别用于标识医学扫描数据中病灶对应的疾病类型，不同的扫描病灶类别与不同疾病类型对应，例如扫描病灶类别可以包括肺结核病灶、肿瘤病灶、钙化性病灶、出血灶等。扫描位置类别用于标识医学扫描数据对应的器官组织，或者说，扫描位置类别用于标识该医学扫描数据所扫描的器官组织，不同的扫描位置类别与不同的器官组织对应，例如扫描位置类别包括心脏、肝脏、脑部等。扫描格式类别用于标识医学扫描数据的扫描类别，不同扫描格式类别对应不同扫描格式类别，例如扫描格式类别包括ct扫描格式类别、mri扫描格式类别、cta扫描格式类别等。
66.具体地，服务器在获取到医学扫描数据后，可以预先对医学扫描数据进行识别，以获取医学扫描数据对应的扫描特征类别。如上，医学扫描数据的数据格式包括图像数据格式、文本数据格式、标签数据格式，当医学扫描数据为图像数据格式时，可以通过图像识别算法对医学扫描数据进行处理，以识别出医学扫描数据对应的扫描特征类别，具体地，可以预先训练好图像分类模型，当获取到医学扫描数据时，直接将医学扫描数据输入至该图像分类模型中，通过该图像分类模型获取扫描特征类别；当医学扫描数据为文本数据格式时，可通过字符识别算法获取医学扫描数据对应的扫描特征类别；当医学扫描数据为标签数据格式时，可获取相应标签的标签值进而确定对应的扫描特征类别。
67.其中，服务器在获取到医学扫描数据的扫描特征类别以及扫描格式类别后，对医学扫描数据进行整合处理，具体可以按照扫描特征类别进行分类，将扫描特征类别相同的医学扫描数据作为一个目标医学扫描数据集。
68.例如，以扫描特征类别为扫描病灶类别，根据医学扫描数据的扫描病灶类别，对医学扫描数据进行分类，得到多个目标医学扫描数据集；目标医学扫描数据集中的医学扫描数据的扫描病灶类别相同。例如，将扫描病灶类别为肿瘤病灶的医学扫描数据划分为一个目标医学扫描数据集，将扫描病灶类别为肺结核病灶的医学扫描数据划分为一个目标医学扫描数据集，等。
69.又例如，以扫描特征类别为扫描位置类别为例，根据医学扫描数据的扫描位置类别，对医学扫描数据进行分类，得到多个目标医学扫描数据集；目标医学扫描数据集中的医学扫描数据的扫描位置类别相同。例如，将扫描位置类别为肺部的医学扫描数据划分为一个目标医学扫描数据集，将扫描位置类别为脑部的医学扫描数据划分为一个目标医学扫描数据集，等。
70.又例如，以扫描特征类别为扫描格式类别为例，根据医学扫描数据的扫描格式类别，对医学扫描数据进行分类，得到多个目标医学扫描数据集；目标医学扫描数据集中的医学扫描数据的扫描格式类别相同。例如，将ct医学扫描数据划分为一个目标医学扫描数据集，将mri医学扫描数据划分为一个目标医学扫描数据集，将cta医学扫描数据划分为一个目标医学扫描数据集，等。
71.又例如，以扫描特征类别包括扫描病灶类别以及扫描格式类别为例，可以根据医学扫描数据的扫描病灶类别以及扫描格式类别，对医学扫描数据进行分类，得到多个目标医学扫描数据集；目标医学扫描数据集中的医学扫描数据的扫描病灶类别相同且扫描格式类别相同。具体地，可以先按照扫描病灶类别进行分类，获得扫描病灶类别相同的医学扫描数据，然后按照扫描格式类别对扫描病灶类别相同的医学扫描数据进行二次分类，最终得到各个医学扫描数据的扫描病灶类别及扫描格式类别均相同的目标医学扫描数据集。例如，将扫描病灶类别为肿瘤病灶、扫描格式类别为ct扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描病灶类别为肿瘤病灶、扫描格式类别为mri扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描病灶类别为肺结核病灶、扫描格式类别为ct扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描病灶类别为肺结核病灶、扫描格式类别为mri扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，等等。
72.又例如，以扫描特征类别包括扫描位置类别以及扫描格式类别为例，根据医学扫描数据的扫描位置类别以及扫描格式类别，对医学扫描数据进行分类，得到多个目标医学扫描数据集；目标医学扫描数据集中的医学扫描数据的病灶位置类别以及扫描格式类别相同。具体地，可以先按照扫描位置类别进行分类，获得扫描位置类别相同的医学扫描数据，然后，按照扫描格式类别对扫描位置类别相同的医学扫描数据进行二次分类，最终得到各个医学扫描数据的扫描位置类别及扫描格式类别均相同的目标医学扫描数据集。例如，将扫描位置类别为肺部、扫描格式类别为ct扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描位置类别为肺部、扫描格式类别为mri扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描位置类别为脑部、扫描格式类别为ct扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描位置类别为脑部、扫描格式类别为mri扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，等。
73.可以理解的是，扫描特征类别还可以包括扫描病灶类别以及扫描位置类别，服务器可以根据扫描病灶类别以及扫描位置类别，对医学扫描数据进行整合处理以得到多个目标医学扫描数据集，其具体步骤过程和上述扫描特征类别包括扫描位置类别以及扫描格式类别等例子相同，在此不再赘述。
74.进一步地，对医学扫描数据进行整合处理，具体还可以先按照扫描特征类别进行分类，将扫描特征类别相同的医学扫描数据作为一个目标医学扫描数据集，然后将属于不同扫描特征类别的目标医学扫描数据集进行组合，组合得到的数据集也作为一个目标医学扫描数据集。具体地，在一个实施例中，目标医学扫描数据集包括第一医学扫描数据集以及第二医学扫描数据集；根据医学扫描数据的扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集，包括：将不同扫描特征类别的医学扫描数据划分为不同的第一医学扫描数据集；将任意两个或两个以上的第一医学扫描数据集，组合为第二医学扫
描数据集。
75.其中，以扫描特征类别为扫描格式类别为例，根据医学扫描数据的扫描格式类别，对医学扫描数据进行分类，得到多个第一医学扫描数据集，第一医学扫描数据集中的医学扫描数据的扫描格式类别相同；然后，将任意两个或两个以上的第一医学扫描数据集进行组合，得到多个第二医学扫描数据集，进而将各个第一医学扫描数据集以及各个第二医学扫描数据集分别作为一个目标医学扫描数据集。
76.例如，根据医学扫描数据的扫描格式类别，对医学扫描数据进行分类，得到ct医学扫描数据对应的一个第一医学扫描数据集，mri医学扫描数据对应的一个第一医学扫描数据集，以及cta医学扫描数据对应的一个第一医学扫描数据集；然后，将ct医学扫描数据和cta医学扫描数据对应的第一医学扫描数据集组合为一个第二医学扫描数据集。此时，目标医学扫描数据集的数量为4个，分别为ct医学扫描数据对应的第一医学扫描数据集，mri医学扫描数据对应的第一医学扫描数据集，cta医学扫描数据对应的第一医学扫描数据集，以及ct医学扫描数据和cta医学扫描数据组合的第二医学扫描数据集。
77.可以理解的是，当扫描特征类别为扫描病灶类别或者扫描位置类别时，对医学扫描数据进行整合处理的步骤与扫描特征类别为扫描格式类别时的整合处理步骤是一样的，在此不进行赘述。
78.此外，对医学扫描数据进行整合处理，具体还可以是先按照一种扫描特征类别对标医学扫描数据进行分类，得到多个不同分类结果，然后按照另一种扫描特征类别对各个分类结果进行二次分类，最终得到的分类结果作为目标医学扫描数据集。具体地，在一个实施例中，扫描特征类别包括第一扫描特征类别以及第二扫描特征类别；根据医学扫描数据的扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集，包括：从医学扫描数据中，筛选第一扫描特征类别为目标第一扫描特征类别的候选医学扫描数据；根据候选医学扫描数据的第二扫描特征类别，对候选医学扫描数据进行整合处理，得到多个目标医学扫描数据集。
79.其中，以第一扫描特征类别为扫描病灶类别、第二扫描特征类别为扫描格式类别为例，可以先按照扫描病灶类别对医学扫描数据进行分类，获得扫描病灶类别相同的医学扫描数据；然后按照扫描格式类别对扫描病灶类别为目标扫描病灶类别的医学扫描数据进行二次分类；最终得到各个医学扫描数据的扫描格式类别相同、且扫描病灶类别为目标扫描病灶类别的多个目标医学扫描数据集。
80.例如，目标扫描病灶类别为肿瘤病灶；服务器先按照扫描病灶类别对医学扫描数据进行分类，获得扫描病灶类别为肿瘤病灶的医学扫描数据；然后按照扫描格式类别对扫描病灶类别为肿瘤病灶的医学扫描数据进行二次分类，实现将扫描病灶类别为肿瘤病灶、扫描格式类别为ct扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描病灶类别为肿瘤病灶、扫描格式类别为cta扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描病灶类别为肿瘤病灶、扫描格式类别为mri扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集。
81.此外，以第一扫描特征类别为扫描格式类别、第二扫描特征类别为扫描位置类别为例，可以先按照扫描格式类别对医学扫描数据进行分类，获得扫描格式类别相同的医学扫描数据，然后按照扫描位置类别对扫描格式类别为目标扫描格式类别的医学扫描数据进
行二次分类，最终得到医学扫描数据的扫描位置类别相同、且扫描格式类别为目扫描格式类别的多个目标医学扫描数据集。
82.例如，目标扫描病灶类别为ct扫描格式类别。服务器先按照扫描格式类别对医学扫描数据进行分类，获得扫描格式类别为ct扫描格式类别的医学扫描数据；然后按照扫描位置类别对扫描格式类别为ct扫描格式类别的医学扫描数据进行二次分类，实现将扫描格式类别为ct扫描格式类别、扫描位置为肺部的医学扫描数据划分为一个目标医学扫描数据集，将扫描格式类别为ct扫描格式类别、扫描位置为脑部的医学扫描数据划分为一个目标医学扫描数据集，将扫描格式类别为ct扫描格式类别、扫描位置为头颈部的医学扫描数据划分为一个目标医学扫描数据集。
83.可以理解的是，根据候选医学扫描数据的第二扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集，具体可以是先将不同扫描特征类别的候选医学扫描数据划分为不同的第一医学扫描数据集，然后将任意两个或两个以上的第一医学扫描数据集，组合为第二医学扫描数据集。不同的第一医学扫描数据集以及不同的第二医学扫描数据集分别作为一个目标医学扫描数据集。
84.可以理解的是，对医学扫描数据进行整合处理的具体过程，是根据待处理的医学扫描数据的扫描特征类别确定的。例如，待处理的医学扫描数据包括同一扫描位置类别、同一扫描病灶类别但扫描格式类别不同的多个医学扫描数据，则按照扫描格式类别对医学扫描数据进行整合处理；又例如，待处理的医学扫描数据包括同一扫描位置类别、但扫描病灶类别以及扫描格式类别均不同的多个医学扫描数据，则根据扫描病灶类别以及扫描格式类别对医学扫描数据进行整合处理。
85.s230，确定各目标医学扫描数据集对应的预设病灶识别算法，基于预设病灶识别算法对各目标医学扫描数据集进行病灶识别，得到各目标医学扫描数据集的病灶识别结果。
86.具体地，在将待处理的医学扫描数据划分为多个目标医学扫描数据集后，对于任意一个目标医学扫描数据集，确定与该目标医学扫描数据集对应的预设病灶识别算法，并通过对应预设病灶识别算法对该目标医学扫描数据集中的各个医学扫描数进行病灶识别，以获取病灶识别结果。
87.具体地，预设病灶识别算法用于根据所输入的医学扫描数据获取病灶识别结果，可以包括但不限于包括神经网络算法、支持向量机算法、小波变换算法中的至少一种。
88.其中，属于不同扫描特征类别的目标医学扫描数据集，其对应的病灶识别模型也是不同的。
89.例如，以扫描特征类别为扫描病灶类别为例，对于任意扫描病灶类别的目标医学扫描数据集，基于与其对应的预设病灶识别算法对目标医学扫描数据集中的医学扫描数据进行病灶识别，以获取与其扫描病灶类别相应的病灶信息，得到病灶识别结果。
90.又以扫描特征类别为扫描位置类别为例，对于任意扫描位置类别的目标医学扫描数据集，基于与其对应的预设病灶识别算法对目标医学扫描数据集中的医学扫描数据进行病灶识别，以识别目标医学扫描数据集中在该扫描位置类别相应的器官组织上所有的病灶信息，得到病灶识别结果。
91.同样的，当扫描特征类别为扫描位置类别，其处理过程和扫描特征类别为扫描病
灶类别或扫描位置类别时的处理过程是一样的，在此不再赘述。
92.又例如，以扫描特征类别包括扫描病灶类别和扫描格式类别为例，对于扫描病灶类别及扫描格式类别均相同的目标医学扫描数据集，服务器基于相应的预设病灶识别算法，对该目标医学扫描数据集中医学扫描数据进行病灶识别，得到对该目标医学扫描数据集的病灶识别结果；可以理解的是，该目标医学扫描数据集的病灶识别结果，包括：与扫描病灶类别对应的疾病类型相关的病灶信息，例如病灶图像、病灶所在的器官组织、病灶在该器官组织的位置区域、病灶的大小等。
93.具体地，以扫描特征类别为钙化性病灶、扫描格式类别为ct扫描格式类别的目标医学扫描数据集为例，将扫描病灶类别为钙化性病灶、扫描格式类别为ct扫描格式类别的医学扫描数据划分为一组目标医学扫描数据集，通过与其对应的预设病灶识别算法，对该目标医学扫描数据集中所有的医学扫描数据组进行病灶识别，以获取与钙化性病灶相关的病灶信息，例如病灶图像、发生钙化性的器官组织、在该器官组织中发生钙化的区域位置等。更具体地，预设病灶识别算法包括用于识别钙化病灶的病灶识别模型，扫描病灶类别为钙化性病灶、扫描格式类别为ct扫描格式类别的目标医学扫描数据集包括心脏部位钙化的医学扫描图像、肺部钙化的医学扫描图像、肝脏钙化的医学扫描图像，在获取到该组医学扫描数据，将目标医学扫描数据集的所有医学扫描图像输入至用于识别钙化病灶的病灶识别模型，以获取各个器官组织中钙化病灶的位置、图像等信息。
94.又例如，以扫描特征类别包括扫描位置类别和扫描格式类别为例，对于扫描位置类别和扫描格式类别均相同的目标医学扫描数据集，基于相应的预设病灶识别算法，对该目标医学扫描数据集中医学扫描数据进行病灶识别，得到对该目标医学扫描数据集的病灶识别结果；可以理解的是，该目标医学扫描数据集的病灶识别结果，包括：在与扫描位置类别对应的器官组织中的病灶信息，例如病灶图像、病灶所在器官组织、病灶在器官组织的坐标位置、病灶对应的疾病类型、病灶的大小等。
95.具体地，以扫描位置类别为脑部、扫描格式类别为mri扫描格式类别为例，将扫描位置类别为脑部、扫描格式类别为mri扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，通过与其对应的预设病灶识别算法，对该目标医学扫描数据集中所有的医学扫描数据组进行病灶识别，以获取在脑部中的病灶信息，例如病灶图像、病灶对应的疾病类型(例如肿瘤、出血等)、病灶在脑部的坐标位置、病灶的大小等。更具体地，预设病灶识别算法包括用于识别不同脑部病灶的病灶识别模型，扫描位置类别为脑部、扫描格式类别为mri扫描格式类别的医学扫描数据包括脑部血栓的医学扫描图像、脑部动脉瘤的医学扫描图像、脑部梗死的医学扫描图像等，在获取到该组医学扫描数据，将目标医学扫描数据集的所有医学扫描图像分别输入至用于识别不同脑部病灶的病灶识别模型中，以获取脑部中不同病灶的位置、图像等信息。
96.进一步地，在一个实施例中，预设病灶识别算法为神经网络算法，神经网络算法包括区域分割网络、区域分类网络以及区域定位网络；基于预设病灶识别算法对各目标医学扫描数据集进行病灶识别，得到各目标医学扫描数据集的病灶识别结果，包括：将目标医学扫描数据集中的医学扫描数据输入至区域分割网络中，得到各医学扫描数据中病灶预测区域；对病灶预测区域输入至区域分类网络中，从病灶预测区域中确定病灶标的区域；通过区域定位网络获取病灶标的区域的位置信息以及图像信息。
97.其中，医学扫描数据为图像数据时，可以将医学扫描数据输入至神经网络算法对应的模型中，通过神经网络算法对应的模型获取医学扫描数据中病灶所在区域的位置信息以及图像信息。其中，病灶预测区域是指神经网络算法对应对医学扫描数据中病灶所在区域进行预测所得到的感兴趣区域。可以理解的是，病灶预测区域可能是神经网络算法最终得到的病灶所在区域，也可能不是神经网络算法最终得到的病灶所在区域；病灶标的区域是指神经网络算法最终得到的病灶所在区域。
98.具体地，区域分割网络用于对医学扫描数据进行分割，以获取感兴趣区域，即病灶所在的预测区域；区域分类网络用于对该感兴趣区域进行分类以确定该兴趣区域是否为病灶区域，得到病灶标的区域；区域定位网络用于确定为病灶标的区域所在的位置坐标，并将该区域的图像分割出来以获取病灶图像。进一步地，区域分割网络包括u-net网络，区域分类网络包括alex-net网络，区域定位网络包括r-cnn网络。
99.s240，将各目标医学扫描数据集的病灶识别结果进行融合，得到病灶信息。
100.其中，在获取到各个目标医学扫描数据集的病灶识别结果后，对各个病灶识别结果进行整合，输出与医学扫描数据相关的所有病灶信息。其中，该病灶信息可以包括病灶图像、病灶类型(例如良性、恶性、毛玻璃结构等)、病灶坐标等。可以理解的是，在对医学扫描数据进行整合处理后，分别对各个目标医学扫描数据集进行病灶识别以获取病灶识别结果，病灶识别结果的数据往往是零散且冗余的，通过对各个目标医学扫描数据集的病灶识别结果进行收集、整理、清洗等数据操作，以获取完整的病灶信息。
101.上述医学扫描数据处理方法，通过获取待处理的医学扫描数据，并根据医学扫描数据的扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集；在确定到各目标医学扫描数据集对应的预设病灶识别算法后，基于预设病灶识别算法对各目标医学扫描数据集进行病灶识别，得到各目标医学扫描数据集的病灶识别结果，最后，将各目标医学扫描数据集的病灶识别结果进行融合，得到病灶信息，实现对多扫描格式类别的医学扫描数据同时进行处理，有效提高对医学扫描数据的处理效率，且为后续的病灶信息的获取提供大量信息数据，同时对医学扫描数据按照扫描特征类别进行整合处理后，按照整合处理结果进行数据处理，实现在保留数据量的同时细化医学扫描数据的处理颗粒度，有效提高病灶信息的精确度。
102.参阅图3，图3示出了一个实施例中医学扫描数据处理方法，包括：
103.s310，获取待处理的医学扫描数据。
104.s320，根据医学扫描数据的扫描病灶类别以及扫描格式类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集；其中，目标医学扫描数据集中的医学扫描数据的扫描病灶类别及扫描格式类别均相同。
105.s330，根据目标医学扫描数据集中各个目标医学扫描数据的扫描病灶类别，确定具有关联区域的两个目标医学扫描数据。
106.s340，获取具有关联区域的两个目标医学扫描数据间的差值数据。
107.s350，根据差值数据获取目标医学扫描数据集的病灶识别结果。
108.s360，将各目标医学扫描数据集的病灶识别结果进行融合，得到病灶信息。
109.其中，在获取到医学扫描数据后，服务器可以先按照扫描病灶类别进行分类，获得医学扫描数据的多个初始分组，每个初始分组所包括的医学扫描数据的扫描病灶类别相
同，然后按照扫描格式类别对各个初始分组内的医学扫描数据进行二次分类，最终得到多个目标医学扫描数据集，每个目标医学扫描组所包括的医学扫描数据的扫描病灶类别及扫描格式类别均相同。
110.例如，在获取到医学扫描数据后，先将扫描病灶类别为肿瘤病灶的医学扫描数据划分一个初始分组，将扫描病灶类别为肺结核病灶的医学扫描数据划分为一个初始分组；然后，对扫描病灶类别为肿瘤病灶的初始分组进行二次分类，实现将扫描病灶类别为肿瘤病灶、扫描格式类别为ct扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描病灶类别为肿瘤病灶、扫描格式类别为超声波扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，同样的，对扫描病灶类别为肺结核病灶的初始分组进行二次分类，实现将扫描病灶类别为肺结核病灶、扫描格式类别为ct扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描病灶类别为肺结核病灶、扫描格式类别为mri扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，等。
111.服务器在获取到各个目标医学扫描数据集后，对于任意一个目标医学扫描数据集的处理方式都是相同的，具体如下：获取目标医学扫描数据集所包括的医学扫描数据的扫描位置类别，由于扫描位置类别标识了发生病变的器官组织，因此可基于医学扫描数据的扫描位置类别，获取目标医学扫描数据集中具有关联区域的目标医学扫描数据。
112.例如，对心脏进行ct扫描，得到心脏的ct扫描数据和冠脉血管的cta扫描数据，由于该ct扫描数据和该cta扫描数据的扫描位置类别均为心脏，此时可将该ct扫描数据和该cta扫描数据确定为具有关联区域的目标医学扫描数据。又例如，患者近日先后两次对心脏进行ct扫描，获得两个扫描时间不同的ct扫描数据，由于这两个扫描时间不同的ct扫描数据的扫描位置类别均为心脏，可将这两个扫描时间不同的ct扫描数据确定为具有关联区域的目标医学扫描数据。
113.在确定得到目标医学扫描数据集中具有关联区域的两个目标医学扫描数据，可以对这两个具有关联区域的目标医学扫描数据做减法运算，以获取目标医学扫描数据的差值数据，可以理解的是，该差值数据包含了病灶相关的细节信息，相较于单个医疗扫描数据获取到的病灶识别结果，基于两个具有关联区域的目标医学扫描数据的差值信息获取的病灶识别结果的病灶信息的全面性以及准确性更高。
114.具体地，在获取到具有关联区域的目标医学扫描数据的差值数据后，服务器可将差值数据输入至预先训练好的算法模型中，通过算法模型获取病灶识别结果，其中该算法模型包括但不限于深度学习神经网络算法模型、svm算法模型、haar-小波算法模型。
115.例如，针对一些组织上具有的病灶，由于器官、组织或骨骼间的距离较近，病灶与器官或骨骼具有相邻关系，往往难以区分，在对医学扫描数据进行处理的过程中，如果单独使用单一的医学扫描数据进行病灶区域识别会出现较大的误差，准确性低；因此，可以预先对目标医学扫描数据集中具有关联区域的目标医学扫描数据做减法，以获取差值数据，该差值数据包含了准确描述病灶区域的信息。
116.以对脑部进行ct扫描为例，对脑部进行ct扫描时，ct扫描得到的医学扫描数据(例如医学成像数据)可以将脑部的生理组织结构展现出来，但是，该ct扫描数据对于与血管或骨骼相邻较近的位置，会出现清晰度较差的问题；此时，可以获取针对脑部脑动脉进行ct扫描，获得的cta扫描数据(即脑动脉影像)，由于该ct扫描数据和该cta扫描数据的扫描位置
类别均为脑部，此时可将该ct扫描数据和该cta扫描数据确定为具有关联区域的目标医学扫描数据，通过获取脑部的ct扫描数据和cta影像的差值数据，并基于差值数据获取病灶信息，例如病灶图像信息、病灶位置信息等，该病灶信息能够清楚地区分病灶区域与周边的血管或骨骼区域。
117.又例如，针对同一器官组织先后两次进行医学扫描所获得的医学扫描数据，如果使用单一的医学扫描数据进行病灶区域识别，难以从医学扫描数据中获取该器官组织中病灶的变化趋势，因此，可以预先对目标医学扫描数据集中具有关联区域的目标医学扫描数据做减法，以获取差值数据，该差值数据包含了两个医学扫描数据中描述病灶区域的差异信息，通过该差异信息可以获取到该器官组织中病灶的变化趋势信息，有效提高病灶识别结果的病灶信息的全面性。
118.在一个实施例中，获取待处理的医学扫描数据，包括：获取标的用户的第一医学扫描数据；根据第一医学扫描数据的扫描特征类别，从标的用户的历史医学扫描数据中，获取第二医学扫描数据，第二医学扫描数据的扫描特征类别与第一扫描数据的扫描特征类别相同；将第一医学扫描数据以及第二医学扫描数据作为待处理的医学扫描数据。
119.其中，第一医学扫描数据以及第二医学扫描数据均为同一标的用户(即同一患者)的医学扫描数据，第一医学扫描数据是指当前获得的医学扫描数据，历史医学扫描数据是指在历史时刻产生的医学扫描数据。
120.如上，扫描特征类别包括但不限于扫描病灶类别、扫描位置类别或扫描格式类别；当扫描特征类别为扫描病灶类别时，根据第一医学扫描数据的扫描病灶类别，获取历史时刻的第二医学扫描数据，第二医学扫描数据以及第一扫描数据的扫描病灶类别相同，由于扫描病灶类别用于标识病灶对应的疾病类型，根据扫描病灶类别获取历史时刻的第二医学扫描数据，实现按照不同疾病类型，获取某患者与某一疾病类型相关的所有医学扫描数据；当扫描特征类别为扫描位置类别时，根据第一医学扫描数据的扫描位置类别，获取历史时刻的第二医学扫描数据，第二医学扫描数据以及第一扫描数据的扫描位置类别相同，由于扫描位置类别用于标识病变的器官组织，根据扫描位置类别获取历史时刻的第二医学扫描数据，实现按照不同的器官组织，获取某患者与某一器官组织相关的所有医学扫描数据，通过，提高医学扫描数据的数据量及全面性，后续对医学扫描数据进行处理时，可有效提高病灶识别结果的准确性。
121.以一具体例子对本技术中的医学扫描数据处理方法进行进一步说明：
122.某患者近日针对头颈部、心脏、肝脏等部位进行常规检查，已经对头颈部、心脏、肝脏进行了相应的医学影像扫描，具体可以是对头颈部进行mri扫描及ct扫描，得到头颈部mr扫描数据以及头颈部ct扫描数据，对心脏进行ct扫描以及超声波扫描，得到心脏ct扫描数据以及心脏超声波扫描数据；对肝脏进行ct扫描以及超声波扫描，得到肝脏ct扫描数据以及肝脏超声波扫描数据。
123.某日，该患者针对头颈部、心脏、肝脏等部位进行复查，再次对头颈部、心脏、肝脏进行应的医学影像扫描，可以理解的是，本次对头颈部、心脏、肝脏进行医学影像扫描的扫描格式类别，与前几日所采用的扫描格式类别不一定相同。服务器在获取到本次复查所得的医学扫描数据后，分别识别出这些医学扫描数据的扫描病灶类别、扫描位置类别以及扫描格式类别，扫描病灶类别对应疾病类型，扫描位置类别对应器官组织，扫描格式类别对应
医学扫描数据的扫描类型，即获取这些医学扫描数据的疾病类型、器官组织类别以及扫描类型。
124.然后，服务器可以按照这些医学扫描数据的扫描病灶类别、扫描位置类别和/或扫描格式类别，从患者近日(历史)进行医学影像扫描所获得的医学扫描数据中，获取扫描病灶类别相同的医学扫描数据和/或扫描位置类别相同和/或扫描格式类别相同的医学扫描数据，进而将本次的医学扫描数据以及近日的医学扫描数据作为待处理的医学扫描数据。
125.具体地，服务器可以先按照扫描病灶类别对待处理的医学扫描数据进行分类，获得医学扫描数据的初始分组，每个初始分组所包括的医学扫描数据的扫描病灶类别相同；然后按照扫描格式类别对各个初始分组内的医学扫描数据进行二次分类，最终得到多个目标医学扫描数据集，每个目标医学扫描组所包括的医学扫描数据的扫描病灶类别及扫描格式类别均相同。
126.例如，先将扫描病灶类别为肿瘤病灶的医学扫描数据划分一个初始分组，将扫描病灶类别为血管钙化病灶的医学扫描数据划分为一个初始分组，将扫描病灶类别为血管出血的医学扫描数据划分为一个初始分组；然后，对扫描病灶类别为肿瘤病灶的初始分组进行二次分类，实现将扫描病灶类别为肿瘤病灶、扫描格式类别为ct扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描病灶类别为肿瘤病灶、扫描格式类别为超声波扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描病灶类别为肿瘤病灶、扫描格式类别为mri扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集；同样的，对扫描病灶类别为血管钙化病灶的初始分组进行二次分类，对扫描病灶类别为血管出血的初始分组进行二次分类，在此不一一赘述。
127.在获取到目标医学扫描数据集后，针对每一个目标医学扫描数据集，服务器将该目标医学扫描数据集中的医学扫描数据输入至预先训练好的神经网络算法模型，该神经网络算法模型用于根据输入的医学扫描数据获取病灶相关信息，例如病灶图像、病灶变化趋势图、某种扫描病灶类别位于不同器官组织的展示图等。例如，服务器将扫描病灶类别为肿瘤病灶、扫描格式类别为ct扫描格式类别的医学扫描数据输入至预先训练好的神经网络算法模型，神经网络算法模型输出肿瘤病灶在不同器官组织中的展示图、在某一器官组织(例如肝脏)中肿瘤的变化趋势图等；又例如，服务器将扫描病灶类别为血管钙化病灶、扫描格式类别为ct扫描格式类别的医学扫描数据输入至预先训练好的神经网络算法模型，神经网络算法模型输出在不同器官组织中血管钙化区域的展示图、在某一器官组织(例如心脏)中血管钙化病灶的变化趋势图等。
128.此外，服务器还可以先按照扫描位置类别对待处理的医学扫描数据进行分类，获得医学扫描数据的初始分组，每个初始分组所包括的医学扫描数据的扫描位置类别相同，然后按照扫描格式类别对初始分组内的医学扫描数据进行二次分类，最终得到目标医学扫描数据集，每个目标医学扫描数据集所包括的医学扫描数据的扫描位置类别及扫描格式类别均相同。
129.例如，先将扫描位置类别为心脏的医学扫描数据划分一个初始分组，将扫描位置类别为头颈部的医学扫描数据划分为一个初始分组，将扫描位置类别为肝脏的医学扫描数据划分为一个初始分组；然后，对扫描位置类别为心脏的初始分组进行二次分类，实现将扫描位置类别为心脏、扫描格式类别为ct扫描格式类别的医学扫描数据划分为一个目标医学
扫描数据集，将扫描位置类别为心脏、扫描格式类别为超声波扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集，将扫描位置类别为心脏、扫描格式类别为mri扫描格式类别的医学扫描数据划分为一个目标医学扫描数据集；同样的，对扫描位置类别为头颈部的初始分组进行二次分类，对扫描位置类别为肝脏的初始分组进行二次分类，在此不一一赘述。
130.在获取到目标医学扫描数据集后，针对每一个目标医学扫描数据集，服务器将该目标医学扫描数据集中的医学扫描数据输入至预先训练好的神经网络算法模型，该神经网络算法模型用于根据输入的医学扫描数据获取病灶相关信息，例如在该扫描位置类别(即某一器官组织)所有扫描病灶类别的病灶图像、病灶变化趋势图、病灶类型(例如良性、恶性、毛玻璃结构等)、病灶坐标信息等。例如，服务器将扫描病灶类别为肿瘤病灶、扫描格式类别为ct扫描格式类别的医学扫描数据输入至预先训练好的神经网络算法模型，神经网络算法模型输出肿瘤病灶在不同器官组织中的展示图、在某一器官组织(例如肝脏)中肿瘤的变化趋势图等，又例如，服务器将扫描位置类别为肝脏、扫描格式类别为ct扫描格式类别的医学扫描数据输入至预先训练好的神经网络算法模型，神经网络算法模型输出在肝脏中血管钙化区域的展示图、在肝脏中血管出血区域的展示图、在肝脏中肿瘤区域的展示图以及肿瘤类型等等。
131.为了更好实施本技术实施例提供的医学扫描数据处理方法，在本技术实施例所提医学扫描数据处理方法的基础之上，本技术实施例中还提供一种医学扫描数据处理装置，如图4所示，医学扫描数据处理装置400包括：
132.扫描数据获取模块410，用于获取待处理的医学扫描数据；
133.扫描数据整合模块420，用于根据医学扫描数据的扫描特征类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集；其中，目标医学扫描数据集中的医学扫描数据的扫描特征类别相同；
134.识别结果获取模块430，用于确定各目标医学扫描数据集对应的预设病灶识别算法，基于预设病灶识别算法对各目标医学扫描数据集进行病灶识别，得到各目标医学扫描数据集的病灶识别结果；
135.病灶信息获取模块440，用于将各目标医学扫描数据集的病灶识别结果进行融合，得到病灶信息。
136.在本技术一些实施例中，目标医学扫描数据集包括第一医学扫描数据集以及第二医学扫描数据集；扫描数据整合模块420，具体用于将不同扫描特征类别的医学扫描数据划分为不同的第一医学扫描数据集；将任意两个或两个以上的第一医学扫描数据集，组合为第二医学扫描数据集。
137.在本技术一些实施例中，扫描特征类别包括第一扫描特征类别以及第二扫描特征类别；扫描数据整合模块420，具体用于从医学扫描数据中，筛选第一扫描特征类别为目标第一扫描特征类别的候选医学扫描数据；根据候选医学扫描数据的第二扫描特征类别，对候选医学扫描数据进行整合处理，得到多个目标医学扫描数据集。
138.在本技术一些实施例中，扫描特征类别包括扫描病灶类别、扫描位置类别或扫描格式类别。
139.在本技术一些实施例中，扫描数据整合模块420，具体用于根据医学扫描数据的扫
描病灶类别以及扫描格式类别，对医学扫描数据进行整合处理，得到多个目标医学扫描数据集；其中，目标医学扫描数据集中的医学扫描数据的扫描病灶类别及扫描格式类别均相同；识别结果获取模块430，用于根据目标医学扫描数据集中各个目标医学扫描数据的扫描病灶类别，确定具有关联区域的两个目标医学扫描数据；获取具有关联区域的两个目标医学扫描数据间的差值数据；根据差值数据获取目标医学扫描数据集的病灶识别结果。
140.在本技术一些实施例中，扫描数据获取模块410，具体用于获取标的用户的第一医学扫描数据；根据第一医学扫描数据的扫描特征类别，从标的用户的历史医学扫描数据中，获取第二医学扫描数据，第二医学扫描数据的扫描特征类别与第一扫描数据的扫描特征类别相同；将第一医学扫描数据以及第二医学扫描数据作为待处理的医学扫描数据。
141.在本技术一些实施例中，病灶信息包括病灶位置信息、病灶图像信息、病灶变化趋势信息中的至少一个。
142.在本技术一些实施例中，神经网络算法包括区域分割网络、区域分类网络以及区域定位网络；识别结果获取模块430，用于将目标医学扫描数据集中的医学扫描数据输入至区域分割网络中，得到各医学扫描数据中病灶预测区域；对病灶预测区域输入至区域分类网络中，从病灶预测区域中确定病灶标的区域；通过区域定位网络获取病灶标的区域的位置信息以及图像信息。
143.在本技术一些实施例中，医学扫描数据处理装置400可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该医学扫描数据处理装置400的各个程序模块，比如，图4所示的扫描数据获取模块410、分类模块420、识别结果获取模块430以及病灶信息获取模块440。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的医学扫描数据处理方法中的步骤。
144.例如，图5所示的计算机设备可以通过如图4所示的医学扫描数据处理装置400中的扫描数据获取模块410执行步骤s210。计算机设备可通过分类模块420执行步骤s220。计算机设备可通过识别结果获取模块430执行步骤s230。计算机设备可通过病灶信息获取模块440执行步骤s240。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种医学扫描数据处理方法。
145.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
146.在本技术一些实施例中，提供了一种医疗设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述医学扫描数据处理方法的步骤。此处医学扫描数据处理方法的步骤可以是上述各个实施例的医学扫描数据处理方法中的步骤。
147.在本技术一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计
算机程序被处理器进行加载，使得处理器执行上述医学扫描数据处理方法的步骤。此处医学扫描数据处理方法的步骤可以是上述各个实施例的医学扫描数据处理方法中的步骤。
148.本邻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，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
149.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。
150.以上对本技术实施例所提供的一种医学扫描数据处理方法、装置、计算机设备以及存储介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，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发明的限制。