CN113130030B - 一种颅内动脉瘤稳定性的评价方法、装置以及设备 - Google Patents

Abstract

本说明书实施例公开了一种颅内动脉瘤稳定性的评价方法、装置以及设备，属于医学影像和计算机技术领域。所述方法包括：获取待处理的影像数据及病例信息数据；将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果；基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价。采用本说明书提供的方法，能够降低或者减少人为因素的影响，快速实现动脉瘤稳定性的判断，准确性较高，而且能够为临床辅助治疗提供客观依据。

Description

一种颅内动脉瘤稳定性的评价方法、装置以及设备

技术领域

本说明书涉及医学影像及计算机技术领域，尤其涉及一种颅内动脉瘤稳定性的评价方法、装置以及设备。

背景技术

随着无创影像学的发展和体检筛查的增加，越来越多的未破裂颅内动脉瘤(UIAs)被偶然发现。据报道，UIAs的总体患病率约为2.8%。颅内动脉瘤破裂引起的蛛网膜下腔出血(SAH)具有较高的病死率和发病率。在动脉瘤破裂出血前发现病变并给于恰当的治疗，能够降低颅内动脉瘤破裂的风险。因此，颅内动脉瘤的稳定性评价具有重要意义。

现阶段，对于未破裂动脉瘤，往往采用定期进行脑血管的影像学检查的方法来判断动脉瘤是否稳定，例如采取CTA或MRA数据进行动脉瘤形态学的观察来判断动脉瘤是否稳定，对于未破裂的动脉瘤的管理方案包括：保守观察和手术干预。有研究表明尽管颅内动脉瘤的发生率在2-5%之间，但真正发生破裂的动脉瘤约占所有动脉瘤的1%左右。临床上阳性症状较少，因此决策时需要慎重权衡动脉瘤破裂风险及手术利弊。由于影响颅内动脉瘤破裂与否的因素很多并且影响因素很复杂，包括年龄，性别，吸烟，家族史，瘤体长度与瘤颈直径比值（SR），瘤体长度与瘤颈宽度的比值（AR）等，所以做临床决策时往往受主观判断的影响，缺少客观标准支持。而且这种人为进行颅内动脉瘤稳定性评价的方法，往往依赖于观察者的经验。

因此，需要一种新的颅内动脉瘤稳定性的评价方法，能够减少或者降低主观因素的影响，为临床决策提供客观依据。

发明内容

本说明书实施例提供一种颅内动脉瘤稳定性的评价方法、装置以及设备，用于解决以下技术问题：能够减少或者降低主观因素的影响，为临床决策提供客观依据。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种颅内动脉瘤稳定性的评价方法，包括：

获取待处理的影像数据及病例信息数据；

将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，所述病例信息数据的特征向量是所述病例信息数据经特征工程处理获得的一维向量；

基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价。

进一步地，所述将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，具体包括：

将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图；

将所述待处理的影像数据的特征图输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果；

和/或

所述待处理的影像数据的特征图及所述病例信息数据的特征向量经全连接，获得所述待处理的影像数据的动脉瘤分类结果。

进一步地，所述将所述待处理的影像数据输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，具体包括：

将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图；

将所述待处理的影像数据的特征图及所述病例信息数据的特征向量输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果和所述待处理的影像数据的动脉瘤分类结果。

进一步地，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，具体包括：

将第一颅内动脉瘤的影像学数据输入基于Unet骨架的模型中进行训练，获得第一颅内动脉瘤对应的分割结果和第一颅内动脉瘤对应的分类结果；

将所述第一颅内动脉瘤对应的分割结果和所述第一颅内动脉瘤对应的分类结果与标注的第二颅内动脉瘤的影像学数据进行比较，采用损失参数作为超参数来进行模型训练，获得颅内动脉瘤稳定性评价模型。

本说明书实施例还提供一种颅内动脉瘤稳定性的评价装置，包括：

获取模块，获取待处理的影像数据及病例信息数据；

预测模块，将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，所述病例信息数据的特征向量是所述病例信息数据经特征工程处理获得的一维向量；

稳定性评价模块，基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价。

进一步地，所述将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，具体包括：

将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图；

将所述待处理的影像数据的特征图输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果；

和/或

所述待处理的影像数据的特征图及所述病例信息数据的特征向量经全连接，获得所述待处理的影像数据的动脉瘤分类结果。

进一步地，所述将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，具体包括：

将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图；

将所述待处理的影像数据的特征图及所述病例信息数据的特征向量输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果和所述待处理的影像数据的动脉瘤分类结果。

进一步地，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，具体包括：

将第一颅内动脉瘤的影像学数据输入基于Unet骨架的模型中进行训练，获得第一颅内动脉瘤对应的分割结果和第一颅内动脉瘤对应的分类结果；

将所述第一颅内动脉瘤对应的分割结果和所述第一颅内动脉瘤对应的分类结果与标注的第二颅内动脉瘤的影像学数据进行比较，采用损失参数作为超参数来进行模型训练，获得颅内动脉瘤稳定性评价模型。

本说明书实施例还提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待处理的影像数据及病例信息数据；

将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，所述病例信息数据的特征向量是所述病例信息数据经特征工程处理获得的一维向量；

基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价。

本说明书实施例获取待处理的影像数据及病例信息数据；将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，所述病例信息数据的特征向量是所述病例信息数据经特征工程处理获得的一维向量；基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价，能够降低或者减少人为因素的影响，快速实现动脉瘤稳定性的判断，准确性较高，而且能够为临床辅助治疗提供客观依据。

附图说明

为了更清楚地说明本说明书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说明书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为本说明书实施例提供的一种颅内动脉瘤稳定性的评价方法的示意图；

图2为本说明书实施例提供的一种颅内动脉瘤稳定性评价模型的训练示意图；

图3为本说明书实施例提供的一种基于Unet骨架的网络结构图的示意图；

图4为本说明书实施例提供的一种基于Unet骨架的多类别分割网络结构图的示意图；

图5为本说明书实施例提供的一种颅内动脉瘤稳定性的评价方法的框架图；

图6为本说明书实施例提供的又一种颅内动脉瘤稳定性的评价方法的示意图；

图7为本说明书实施例提供的一种颅内动脉瘤稳定性的评价装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

图1为本说明书实施例提供的一种颅内动脉瘤稳定性的评价方法的示意图，该颅内动脉瘤稳定性的评价方法包括：

步骤S101：获取待处理的影像数据及病例信息数据。

在本说明书实施例中，待处理的影像数据为三维断层数据，具体地，待处理的影像数据可以为DSA（Digital subtraction angiography，数字减影血管造影）影像数据，CTA（CT angiography，CT血管成像）影像数据或者MRA（MR angiography，磁共振血管成像）影像数据。

在本说明书实施例中，病例信息数据是待处理影像数据对应的病例信息数据。具体地，病例信息数据包括但不限于：年龄，性别，吸烟，家族史中的一种或几种。

步骤S103：将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，所述病例信息数据的特征向量是所述病例信息数据经特征工程处理获得的一维向量。

在本说明书实施例中，为了便于后续进行全连接，病例信息数据通过特征工程处理，实现每个病人的病例信息数据转换为一个一维的特征向量。

在本说明书实施例中，所述将所述待处理的影像数据及所述待处理的病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，具体包括：

将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图；

将所述待处理的影像数据的特征图输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果；

和/或

所述待处理的影像数据的特征图及所述病例信息数据的特征向量经全连接，获得所述待处理的影像数据的动脉瘤分类结果。

在本说明书的一个实施例中，所述将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，具体包括：

将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图；

将所述待处理的影像数据的特征图及所述病例信息数据的特征向量输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果和所述待处理的影像数据的动脉瘤分类结果。

需要特别说明的是，待处理的影像数据的动脉瘤分割结果和待处理的影像数据的动脉瘤分类结果，可以从颅内动脉瘤稳定性评价模型中同时输出，亦即待处理的影像数据的动脉瘤分割结果和待处理的影像数据的动脉瘤分割结果是同时获得的，也可以从颅内动脉瘤稳定性评价模型中分别输出，亦即待处理的影像数据的动脉瘤分割结果和待处理的影像数据的动脉瘤分割结果是分别获得的。

在本说明书实施例中，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，具体包括：

将第一颅内动脉瘤的影像学数据输入基于Unet骨架的模型中进行训练，获得第一颅内动脉瘤对应的分割结果和第一颅内动脉瘤对应的分类结果；

将所述第一颅内动脉瘤对应的分割结果和所述第一颅内动脉瘤对应的分类结果与标注的第二颅内动脉瘤的影像学数据进行比较，采用损失参数作为超参数来进行模型训练，获得颅内动脉瘤稳定性评价模型。

为了详细说明颅内动脉瘤稳定性评价模型的训练过程，图2为本说明书实施例提供的一种颅内动脉瘤稳定性评价模型的训练示意图，具体包括：

步骤S201：获取学习样本数据。

在本说明书实施例中，用于颅内动脉瘤稳定性评价模型训练的学习样本数据为颅内动脉瘤的影像数据，具体的为三维影像数据。在本说明书实施例中，学习样本数据可以为DSA影像数据，CTA影像数据或者MRA影像数据。

需要特别说明的是，用于颅内动脉瘤稳定性评价模型训练的学习样本数据应包括不低于两次的颅内动脉瘤的影像随访数据，且影像数据的图像层厚小于1mm。在本说明书的一个实施例中，学习样本数据包括第一颅内动脉瘤的影像学数据和第二颅内动脉瘤的影像学数据，第二颅内动脉瘤的影像学数据的获取时间晚于第一颅内动脉瘤的影像学数据的获取时间，第二颅内动脉瘤的影像学数据是第一颅内动脉瘤的经过预设周期后得到的颅内动脉瘤的影像学数据。预设周期一般以月为单位，预设周期的具体时间视情况而定，预设周期的具体时间并不构成对本申请的限定。其中，第一颅内动脉瘤的影像学数据用于输入到Unet骨架中进行颅内动脉瘤稳定性评价模型的训练，第二颅内动脉瘤的影像学数据用于与第一颅内动脉瘤的影像学数据进行对比，反应颅内动脉瘤的真实稳定性，用于后续评价颅内动脉瘤稳定性评价模型并调试颅内动脉瘤稳定性评价模型，以获得最佳的颅内动脉瘤稳定性评价模型。

步骤S203：将所述学习样本数据进行均一化处理，获得均一化的学习样本数据。

由于学习样本数据的图像尺寸可能不一致，为了便于处理，需要将学习样本数据进行归一化处理，获得均一化的学习样本数据，实现学习样本数据的图像尺寸的一致。在本说明书实施例中，归一化的学习样本数据的图像尺寸为512*512*256。

步骤S205：对所述归一化的学习样本数据进行标注，获得标注的学习样本数据。

在本说明书实施例中，对归一化的学习样本数据进行标注，亦即对获取的归一化的颅内动脉瘤的影像数据进行标注，是基于临床经验和预设标注对收集的颅内动脉瘤的影像数据进行双盲的手动标注。具体地，在本说明书实施例中，预设标准用于获得颅内动脉瘤分割的标注数据，并作为动脉瘤稳定性标注的依据。预设标准包括但不限于动脉瘤的判断（是否为动脉瘤，是囊性动脉瘤还是梭形动脉瘤），动脉瘤的区域，动脉瘤瘤颈的位置。

在本说明书实施例中，对获取的颅内动脉瘤的影像数据进行标注的内容包括：动脉瘤区域及动脉瘤的稳定性。其中，标注的动脉瘤区域输出的是一个颅内动脉瘤为前景的掩模图像，用于实现颅内动脉瘤的分割；标注动脉瘤的稳定性用于标注动脉瘤是稳定动脉瘤还是不稳定动脉瘤，用于实现颅内动脉瘤的分类。在本说明书实施例中，稳定动脉瘤标注为0，不稳定动脉瘤标注为1。

在本说明书实施例中，动脉瘤稳定性的标注是操作者基于两次颅内动脉瘤的影像数据的比对及病例信息数据综合确定的。

继续延续前例，将第一颅内动脉瘤的影像学数据与第二颅内动脉瘤的影像学数据进行比对，并进一步参考相应的病例信息数据，综合确定第一颅内动脉瘤的稳定性。

需要特别说明的是，为了便于模型训练，病例信息数据通过特征工程处理，实现每个病人的病例信息数据转换为一个一维的数值向量。

步骤S207：将所述标注的学习样本数据进行训练，获得颅内动脉瘤稳定性评价模型。

在本说明书实施例中，将所述标注的学习样本数据进行训练，获得颅内动脉瘤稳定性评价模型，具体包括：

将第一颅内动脉瘤的影像学数据输入基于Unet骨架的模型中进行训练，获得第一颅内动脉瘤对应的分割结果和第一颅内动脉瘤对应的分类结果；

将所述第一颅内动脉瘤对应的分割结果和所述第一颅内动脉瘤对应的分类结果与标注的第二颅内动脉瘤的影像学数据进行比较，采用损失参数作为超参数来进行模型训练，获得颅内动脉瘤稳定性评价模型。

在本说明书实施例中，网络针对分割结果的损失函数为：

网络针对分类结果的损失函数为：

颅内动脉瘤稳定性评价模型的网络总体的损失函数为针对分割结果的损失函数和针对分类结果的损失函数的加权和，权值分别为α和β，都取值为1.0，则

当然，在进行模型训练过程中，亦可采用其他类型的损失函数，损失函数的具体算法并不构成对本申请的限定。

在本说明书实施例中，颅内动脉瘤稳定性评价模型是基于Unet骨架进行训练获得的。在本说明书实施例中，Unet骨架可以为传统的3D Unet网络，也可以基于Res-Unet，Dense-Unet，MultiRes-Unet等Unet变种实现相应的功能，在具体实施过程中，优选3D Unet网络。

图3为本说明书实施例提供的一种基于Unet骨架的网络结构图的示意图。在本说明书实施例中，三维的断层数据（不同数据的图像尺寸可能不同）通过分块输入网络，通过编码器后输出分类结果，编码器的特征图输出可以同时输入到解码器，由解码器最终输出分块区域的分割结果，并映射回原始图像的对应位置。

编码器有四层卷积块组成，每个卷积块有卷积操作与池化操作，一般使用3*3的卷积核，卷积操作后可以做dropout操作，normalization操作，激活操作等，池化操作可以是max pool或者average pool等，在当前实施例中，池化操作的步长为2，每经过一次池化操作，特征图的尺寸减小为一半。每一层卷积块分别使用64，128，256，512个卷积核，编码器的输出首先将特征展开为一维向量，与病历信息的特征向量进行连接，最后输入三层的全连接网络，连接数分别为256，128，64，通过softmax激活函数，输出分类结果。

解码器由四层反卷积块组成，解码器的输入为编码器最后一层的输出，反卷积操作的步长为2，每经过一次反卷积操作，特征图的尺寸增加一倍，反卷积块分别使用256，128，64个卷积核。同时还需要将与当前解码器所在层相同的卷积层输出与上一层的反卷积结果进行连接操作，经过三次反卷积后，得到64张特征图，再经过一次32个卷积核的卷积以及softmax激活函数后，得到与输入图像块尺寸一样的二值图，二值图的前景就是分割结果。

在本说明书实施例中，分割网络用于引导分类网络的训练学习，从而提高分类结果的准确性。

图4为本说明书实施例提供的一种基于Unet骨架的多类别分割网络结构图的示意图。在本说明书的又一个实施例中，学习样本数据输入基于Unet骨架的网络后，经过卷积、池化等操作，同时输出动脉瘤分类结果和动脉瘤分割结果，即在输出分割结果的同时对动脉瘤进行分类。

需要特别说明的是，在本说明书实施例中，优选采用动脉瘤分割结果和动脉瘤分类结果分别输出的方法。

步骤S105：基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价。

在本说明书实施例中，所述基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价，具体包括：

基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据的稳定性进行评分；

基于所述评分数值，对所述待处理的影像数据进行稳定性评价。

为了保证后续稳定性评价的可信性，需要基于前述步骤获得的动脉瘤分割结果和动脉瘤分类结果进行判断后，再进行评分。具体地，在确定动脉瘤分割结果正确后，基于动脉瘤分类结果，对待处理的影像数据的稳定性进行评分，获得待处理的影像数据的评分数值。在具体实施过程中，动脉瘤分类结果为概率值为0.1~1的分值，在评分时，将动脉瘤分类结果中的概率值折算为0~10的分值，即为待处理的影像数据的评分数值。

在本说明书实施例中，稳定性评价可以分为低风险、中风险和高风险。其中，低风险、中风险和高风险的划分，是基于预设阈值而确定的。

在本说明书实施例中，预设阈值是根据颅内动脉瘤稳定性评价模型的AUC（AreaUnder Curve）曲线确定的一个数值。在具体实施过程中，预设阈值的确定需要综合权衡敏感度和特异度而定。

在本说明书实施例中，预设阈值的范围可选为0.6~0.8，并将小于0.6的评分值定义为低风险，高于0.8的评分值定义为高风险。

采用本说明书实施例提供的方法进行颅内动脉瘤的稳定性评价，能够降低或者减少人为因素的影响，快速实现动脉瘤稳定性的判断，准确性较高，而且能够为临床辅助治疗提供客观依据。

为了进一步理解本说明书实施例提供的颅内动脉瘤稳定性的评价方法，图5为本说明书实施例提供的一种颅内动脉瘤稳定性的评价方法的框架图。如图5所示，待处理的影像数据输入网络模型，即颅内动脉瘤稳定性评价模型，网络模型输出动脉瘤分割结果和动脉瘤分类结果。

由于待处理的影像数据的图像大小可能不一致，为了进一步提高动脉瘤稳定性预测的准确性，本说明书实施例还提供一种颅内动脉瘤稳定性的评价方法。图6为本说明书实施例提供的又一种颅内动脉瘤稳定性的评价方法的示意图，该方法具体包括：

步骤S601：获取待处理的影像数据及病例信息数据。

步骤S603：将所述待处理的影像数据及病例信息数据进行预处理，获得预处理的待处理的影像数据及病例信息数据的特征向量。

在本说明书实施例中，将所述待处理的影像数据及病例信息数据进行预处理具体包括：将待处理的影像数据进行归一化处理，对病例信息数据进行特征工程处理。

在本说明书实施例中，将待处理的影像数据进行归一化处理，包括：坐标中心化、x-shearing归一化、缩放归一化或旋转归一化中的一种或几种。归一化处理亦可以采用其他方法，归一化处理的具体方法并不构成对本申请的限定。

步骤S605：将所述归一化的待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果。

步骤S607：基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据的稳定性进行评分，获得所述待处理的影像数据的评分数值。

步骤S609：基于所述评分数值，对所述待处理的影像数据进行稳定性评价。

需要特别说明的是，本说明书实施例提供的评价方法，可以集成到软件或者web服务中，用于进行动脉瘤稳定性的评价。

采用本说明书提供的颅内动脉瘤稳定性的评价方法，能够降低或者减少人为因素的影响，快速实现动脉瘤稳定性的判断，准确性较高，而且能够为临床辅助治疗提供客观依据。

上述内容详细说明了一种颅内动脉瘤稳定性的评价的方法，与之相应的，本说明书还提供了一种颅内动脉瘤稳定性的评价的装置，如图7所示。图7为本说明书实施例提供的一种颅内动脉瘤稳定性的评价装置的示意图，该装置包括：

获取模块701，获取待处理的影像数据及病例信息数据；

预测模块703，将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，所述病例信息数据的特征向量是所述病例信息数据经特征工程处理获得的一维向量；

稳定性评价模块705，基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价。

进一步地，所述将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，具体包括：

将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图；

将所述待处理的影像数据的特征图输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果；

和/或

所述待处理的影像数据的特征图及所述病例信息数据的特征向量经全连接，获得所述待处理的影像数据的动脉瘤分类结果。

进一步地，所述将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，具体包括：

将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图；

将所述待处理的影像数据的特征图及所述病例信息数据的特征向量输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果和所述待处理的影像数据的动脉瘤分类结果。

进一步地，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，具体包括：

将第一颅内动脉瘤的影像学数据输入基于Unet骨架的模型中进行训练，获得第一颅内动脉瘤对应的分割结果和第一颅内动脉瘤对应的分类结果；

将所述第一颅内动脉瘤对应的分割结果和所述第一颅内动脉瘤对应的分类结果与标注的第二颅内动脉瘤的影像学数据进行比较，采用损失参数作为超参数来进行模型训练，获得颅内动脉瘤稳定性评价模型。

本说明书实施例还提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待处理的影像数据及病例信息数据；

将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，所述病例信息数据的特征向量是所述病例信息数据经特征工程处理获得的一维向量；

基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

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，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

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他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (9)

1.一种颅内动脉瘤稳定性的评价方法，其特征在于，所述方法包括：

获取待处理的影像数据及病例信息数据；

将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，所述病例信息数据的特征向量是所述病例信息数据经特征工程处理获得的一维向量，具体包括：将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图，所述编码器由四层卷积块组成，每个卷积块包括卷积操作和池化操作，所述卷积操作的卷积核为3*3，所述池化操作的步长为2；

将所述待处理的影像数据的特征图输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果，所述解码器由四个反卷积块组成，所述解码器的输入为所述编码器最后一层的输出，所述四个反卷积块的反卷积操作的步长为2；和

所述待处理的影像数据的特征图及所述病例信息数据的特征向量经全连接，获得所述待处理的影像数据的动脉瘤分类结果；

基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价。

2.如权利要求1所述的方法，其特征在于，所述将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，具体包括：

将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图；

将所述待处理的影像数据的特征图及所述病例信息数据的特征向量输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果和所述待处理的影像数据的动脉瘤分类结果。

3.如权利要求1所述的方法，其特征在于，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，具体包括：

将第一颅内动脉瘤的影像学数据输入基于Unet骨架的模型中进行训练，获得第一颅内动脉瘤对应的分割结果和第一颅内动脉瘤对应的分类结果；

将所述第一颅内动脉瘤对应的分割结果和所述第一颅内动脉瘤对应的分类结果与标注的第二颅内动脉瘤的影像学数据进行比较，采用损失参数作为超参数来进行模型训练，获得颅内动脉瘤稳定性评价模型。

4.如权利要求1所述的方法，其特征在于，所述基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价，具体包括：

所述基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据的稳定性进行评分，获得所述待处理的影像数据的评分数值；

基于所述评分数值，对所述待处理的影像数据进行稳定性评价。

5.一种颅内动脉瘤稳定性的评价装置，其特征在于，所述装置包括：

获取模块，获取待处理的影像数据及病例信息数据；

预测模块，将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，所述病例信息数据的特征向量是所述病例信息数据经特征工程处理获得的一维向量，具体包括：将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图，所述编码器由四层卷积块组成，每个卷积块包括卷积操作和池化操作，所述卷积操作的卷积核为3*3，所述池化操作的步长为2；

将所述待处理的影像数据的特征图输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果，所述解码器由四个反卷积块组成，所述解码器的输入为所述编码器最后一层的输出，所述四个反卷积块的反卷积操作的步长为2；和

所述待处理的影像数据的特征图及所述病例信息数据的特征向量经全连接，获得所述待处理的影像数据的动脉瘤分类结果；

稳定性评价模块，基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价。

6.如权利要求5所述的装置，其特征在于，所述将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，具体包括：

将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图；

将所述待处理的影像数据的特征图及所述病例信息数据的特征向量输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果和所述待处理的影像数据的动脉瘤分类结果。

7.如权利要求5所述的装置，其特征在于，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，具体包括：

将第一颅内动脉瘤的影像学数据输入基于Unet骨架的模型中进行训练，获得第一颅内动脉瘤对应的分割结果和第一颅内动脉瘤对应的分类结果；

将所述第一颅内动脉瘤对应的分割结果和所述第一颅内动脉瘤对应的分类结果与标注的第二颅内动脉瘤的影像学数据进行比较，采用损失参数作为超参数来进行模型训练，获得颅内动脉瘤稳定性评价模型。

8.如权利要求5所述的装置，其特征在于，所述基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价，具体包括：

所述基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据的稳定性进行评分，获得所述待处理的影像数据的评分数值；

基于所述评分数值，对所述待处理的影像数据进行稳定性评价。

9.一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待处理的影像数据及病例信息数据；

将所述待处理的影像数据及所述病例信息数据的特征向量输入颅内动脉瘤稳定性评价模型中，获得所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，所述颅内动脉瘤稳定性评价模型是基于Unet骨架预先训练获得的模型，所述病例信息数据的特征向量是所述病例信息数据经特征工程处理获得的一维向量，具体包括：将所述待处理的影像数据输入所述颅内动脉瘤稳定性评价模型的编码器中，获得所述待处理的影像数据的特征图，所述编码器由四层卷积块组成，每个卷积块包括卷积操作和池化操作，所述卷积操作的卷积核为3*3，所述池化操作的步长为2；

将所述待处理的影像数据的特征图输入所述颅内动脉瘤稳定性评价模型的解码器中，获得所述待处理的影像数据的动脉瘤分割结果，所述解码器由四个反卷积块组成，所述解码器的输入为所述编码器最后一层的输出，所述四个反卷积块的反卷积操作的步长为2；和

所述待处理的影像数据的特征图及所述病例信息数据的特征向量经全连接，获得所述待处理的影像数据的动脉瘤分类结果；

基于所述待处理的影像数据的动脉瘤分割结果及所述待处理的影像数据的动脉瘤分类结果，对所述待处理的影像数据进行稳定性评价。

Images