CN113724184A - 脑出血预后预测方法、装置、电子设备及存储介质 - Google Patents
脑出血预后预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113724184A CN113724184A CN202110225720.8A CN202110225720A CN113724184A CN 113724184 A CN113724184 A CN 113724184A CN 202110225720 A CN202110225720 A CN 202110225720A CN 113724184 A CN113724184 A CN 113724184A
- Authority
- CN
- China
- Prior art keywords
- cerebral hemorrhage
- image
- image features
- dimensional image
- hemorrhage
- 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
Links
- 206010008111 Cerebral haemorrhage Diseases 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000004393 prognosis Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 59
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims description 107
- 238000012216 screening Methods 0.000 claims description 41
- 208000008574 Intracranial Hemorrhages Diseases 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 description 19
- 208000032843 Hemorrhage Diseases 0.000 description 17
- 201000010099 disease Diseases 0.000 description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 208000034158 bleeding Diseases 0.000 description 5
- 230000000740 bleeding effect Effects 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 206010018852 Haematoma Diseases 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000005713 exacerbation Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010008132 Cerebral thrombosis Diseases 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 208000019505 Deglutition disease Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 206010018833 Haematocoele Diseases 0.000 description 1
- 208000005873 Hematocele Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 201000001429 Intracranial Thrombosis Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 206010053649 Vascular rupture Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 201000004920 hematocele of tunica vaginalis testis Diseases 0.000 description 1
- 208000003906 hydrocephalus Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种脑出血预后预测方法、装置、电子设备、芯片和计算机可读存储介质，可以提高了脑出血预后预测的准确性，从而辅助医生制定治疗方案，且增加了临床落地可行性。该脑出血预后预测方法，包括：获取脑出血影像；利用预先训练的深度学习网络对脑出血影像进行分割处理，得到脑出血影像的脑出血区域，以及提取脑出血影像的脑出血区域内的N维影像特征，N为正整数；利用深度学习网络提取脑出血影像的全部区域内的M维影像特征，M为正整数；将N维影像特征与M维影像特征融合，得到融合影像特征；将融合影像特征输入预先训练的脑出血预测模型，获取脑出血预测模型输出的脑出血预后预测结果。
Description
技术领域
本申请实施例涉及图像处理技术领域，并且更具体地，涉及一种脑出血预后预测方法、装置、电子设备及存储介质。
背景技术
医生制定治疗方案时，一个重要的参考是疾病预后预测。疾病预后是指疾病发生后，对疾病未来发展的病程和结局(痊愈、复发、恶化、致残、并发症和死亡等)的预测。疾病预后可以利用多种信息，例如临床病历信息，以及更加直观的医学影像信息等。对于脑出血等疾病，如何利用医学影像进行疾病预后预测，是一项亟待解决的技术问题。
发明内容
本申请提供了一种脑出血预后预测方法、装置、电子设备、芯片和计算机可读存储介质，可以提高了脑出血预后预测的准确性，从而辅助医生制定治疗方案，且增加了临床落地可行性。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请的一方面，提供了一种脑出血预后预测方法，包括：
获取脑出血影像；
利用预先训练的深度学习网络对脑出血影像进行分割处理，得到脑出血影像的脑出血区域，以及提取脑出血影像的脑出血区域内的N维影像特征，N为正整数；
利用深度学习网络提取脑出血影像的全部区域内的M维影像特征，M为正整数；
将N维影像特征与M维影像特征融合，得到融合影像特征；
将融合影像特征输入预先训练的脑出血预测模型，获取脑出血预测模型输出的脑出血预后预测结果。
根据本申请的一方面，提供了一种脑出血预后预测装置，包括：
获取模块，用于获取脑出血影像；
分割模块，用于利用预先训练的深度学习网络对脑出血影像进行分割处理，得到脑出血影像的脑出血区域；
提取模型，用于提取脑出血影像的脑出血区域内的N维影像特征，N为正整数；
提取模块，还用于利用深度学习网络提取脑出血影像的全部区域内的M维影像特征，M为正整数；
融合模块，用于将N维影像特征与M维影像特征融合，得到融合影像特征；
输入模块，用于将融合影像特征输入预先训练的脑出血预测模型，获取脑出血预测模型输出的脑出血预后预测结果。
根据本申请的一方面，提供了一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，执行上述脑出血预后预测方法的步骤。
根据本申请的一方面，提供了一种芯片，包括：处理器，用于从存储器中调用并运行计算机程序，使得该处理器执行上述脑出血预后预测方法的步骤。
根据本申请的一方面，提供了一种计算机可读存储介质，用于存储计算机程序，该计算机程序使得计算机执行上述脑出血预后预测方法的步骤。
基于上述技术方案，利用深度学习网络对脑出血影像进行分割，以及利用深度学习网络提取脑出血影像的全部区域内的M维影像特征，可以利用来自不同医院的大量数据和更多的影像特征维度训练深度学习网络，提高了分割和特征提取的效率和准确性，同时也提高了脑出血预后预测的准确性，从而辅助医生制定治疗方案，且增加了临床落地可行性。
本申请实施例的其他特性和优点将通过下面的详细描述变得显然，或者部分通过本申请的实践而习得。
应理解，以上的一般描述和后文的细节描述仅是示例性的，并不对本申请构成限定。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出了根据本申请的一个实施例中提供的脑出血预后预测方法的应用场景图；
图2示意性示出了根据本申请的一实施例的脑出血预后预测方法的流程图；
图3示意性示出了根据本申请的一实施例的脑出血预后预测装置的框图；
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些示例实施方式使得本申请的描述将更加全面的完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中，提供许多具体细节从而给出对本申请的示例实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而省略特定细节中的一个或更多，或者可以采用其他的方法、组元、步骤等。在其它情况下，不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本申请的各方面变得模糊。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络、处理器装置或者微控制装置中现实这些功能实体。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。本申请可以基于人工智能技术进行多说话人场景识别以及多说话人场景识别网络训练。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能，也即使机器具有学习能力。
其中，机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门科学。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络(如卷积神经网络)、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
人工智能结合云服务，也可以实现人工智能云服务，一般也被称作是AI即服务(AIas a Service，AIaaS)。这是目前主流的一种人工智能平台的服务方式，具体来说AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城：所有的开发者都可以通过应用程序接口(ApplicationProgramming Interface，API)接口的方式来接入使用平台提供的一种或者是多种人工智能服务，部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云人工智能服务。
图1为一个实施例中提供的脑出血预后预测方法的应用场景图，如图1所示，在该应用场景中，包括终端110和服务器120。
在一些实现方式中，可以通过服务器120对深度学习网络和脑出血预测模型进行训练。服务器120获取到训练好的深度学习网络和脑出血预测模型后，可以将其部署在脑出血预测应用中，终端110可以安装该脑出血预测应用，当终端110获取得到脑出血影像之后，用户可以通过相应的操作发出脑出血预测指令，终端110可以接收脑出血预测指令，将获取的脑出血影像作为待处理图像进行脑出血预测，得到脑出血预测结果(例如，0代表出血扩大，1代表出血不扩大；或反之)。
上述脑出血预测应用可以是疾病治疗或预防类应用程序，该疾病治疗或预防类应用程序还可以具有数据记录、音视频播放、特征标注、治疗或预防方案生成和修改、翻译、数据查询等功能。
在另一些实现方式中，可以通过终端110对深度学习网络和脑出血预测模型进行训练。当终端110获取得到脑出血影像之后，用户可以通过相应的操作发出脑出血预测指令，终端110可以接收脑出血预测指令，将获取的脑出血影像作为待处理图像进行脑出血预测，得到脑出血预测结果(例如，0代表出血扩大，1代表出血不扩大；或反之)。
可以理解，上述应用场景仅是一个示例，并不能构成对本申请实施例提供的脑出血预后预测方法以及脑出血预测模型训练方法的限制。例如，训练好的深度学习网络和脑出血预测模型可以存储在服务器120中，服务器120可以接收终端110发送的脑出血影像，对脑出血影像进行脑出血预测得到脑出血预测结果(例如，0代表出血扩大，1代表出血不扩大；或反之)后返回到终端110中。
其中，上述脑出血影像可以是脑出血患者的电脑断层扫描(ComputedTomography，CT)影像。
服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、以及智能手表等，但并不局限于此。终端110和服务器120可以通过有线或者无线通信方式进行直接或间接地连接，本申请对此并不限定。
为便于更好的理解本申请实施例，对脑出血进行说明。
脑出血(cerebral hemorrhage)是指非外伤性脑实质内血管破裂引起的出血，发生的原因主要与脑血管的病变有关，即与高血脂、糖尿病、高血压、血管的老化、吸烟等密切相关。脑出血的患者往往由于情绪激动、费劲用力时突然发病，早期死亡率很高，幸存者中多数留有不同程度的运动障碍、认知障碍、言语吞咽障碍等后遗症。
对于脑出血，颅脑CT扫描可显示出血部位、出血量大小、血肿形态、是否破入脑室以及血肿周围有无低密度水肿带和占位效应等。病灶多呈圆形或卵圆形均匀高密度区，边界清楚，脑室大量积血时多呈高密度铸型，脑室扩大。1周后血肿周围有环形增强，血肿吸收后呈低密度或囊性变。动态CT检查还可评价出血的进展情况。
为便于更好的理解本申请实施例，对ROI区域进行说明。
对于感兴趣区域(region of interest，ROI)区域，就是从图像中选择一个图像区域，这个区域就是图像分析所关注的焦点。通过圈定ROI区域，那么要处理的图像就从大图像变为一个小图像区域了，这样以便进行进一步处理，可以大大减小处理时间。
ROI区域的定义可以包括以下3种方式：
1.简单矩形ROI区域，ROI区域是图像中行列各在某一起始范围的矩形区域中，ROI区域参数的形式可以以(rowStart,rowEnd,colStart,colEnd)、(rowStart,colStart,width,height)等形式给出。这是最简单的图像ROI定义方式，也是最容易处理的方式，MATLAB等很多编程方式下都支持直接从矩阵数据中截取子矩阵。很多别的ROI定义方式，也往往采取先通过边界框(bounding box)的方式得到矩形ROI再进行下一步的处理。
2.直线框ROI区域，ROI参数由中心直线的起始点以及框的宽度组成，简单矩形ROI可以看做是其角度方向为零的特殊情况，这种ROI可以用来提取带方向的边缘。
3.扇形ROI区域。
为便于更好的理解本申请实施例，对疾病预后预测进行说明。
疾病预后是指疾病发生后，对疾病未来发展的病程和结局(痊愈、复发、恶化、致残、并发症和死亡等)的预测。疾病预后可以利用多种信息，例如临床病历信息，以及更加直观的影像信息等。
现阶段，针对某一特定问题，需要进行区域分割、特征提取与模型建立三大步骤。区域分割即进行感兴趣区域(ROI)标注，通常我们只关注影像中某些部位的特征，而不是整个影像，所以需要先分割出感兴趣区域。然后提取感兴趣区域的特征，之后再进行特征筛选，最终对筛选后的特征进行简单的线性回归或者逻辑回归模型建模。特征筛选的方法，是逐一判断每个特征在正负样本上的分布是否具有显著性差异。
然而，现阶段ROI需要手动标注耗时长、引入人为标注误差、且降低临床接受度。在新的任务上，需要再进行针对性的特征筛选，才能进行模型开发，迁移性弱，开发周期长。准确率有限，因为采用的线性回归模型较为简单，不能处理各个特征之间复杂、高维的关系，可能无法较好拟合训练数据，出现模型欠拟合。
为了提高脑出血预后预测的效率和准确性，本申请提出了脑出血预后预测的方案，利用深度学习网络对脑出血影像进行分割，以及利用深度学习网络提取脑出血影像的全部区域内的M维影像特征，可以利用来自不同医院的大量数据和更多的影像特征维度训练深度学习网络，提高了分割和特征提取的效率和准确性，同时也提高了脑出血预后预测的准确性，从而辅助医生制定治疗方案，且增加了临床落地可行性。
需要说明的是，本申请实施例将脑出血作为预后预测的疾病，当然，还可以基于本申请实施例的方案对心脏病、脑血栓、脑积水、肺癌、肿瘤、结石等疾病进行预后预测，尤其是血管类疾病进行预后预测，此种情况下，可以调整训练样本，以满足模型预测的需求，本申请对此并不限定。
下面对本申请实施例的具体实施过程进行详细的描述。
图2示出了根据本申请的一个实施例的脑出血预后预测方法200的示意性流程图，该脑出血预后预测方法200可以由具有计算处理能力的设备来执行，例如，上述终端110或服务器120。参照图2所示，该脑出血预后预测方法200至少可以包括S210至S250，详细介绍如下：
在S210中，获取脑出血影像。
具体的，脑出血影像可以是脑出血患者在术前或术后拍摄的反映脑出血病灶的一张或多张影像。
在一些实施例中，脑出血影像可以是二维影像，也可以是三维影像。
在一些实施例中，脑出血影像可以包括但不限于以下之一：
CT影像、正子发射断层扫描(Positron emission tomography，PET)影像、核磁共振成像(Nuclear magnetic resonance imaging，NMRI)影像、医学超音波检查(Medicalultrasonography)影像、正子发射电脑断层扫描(Positron emission tomography withcomputerized tomography，PET/CT)影像、单一光子发射电脑断层扫描(Single photonemission computed tomography with computerized tomography，SPECT/CT)影像。
在S220中，利用预先训练的深度学习网络对脑出血影像进行分割处理，得到脑出血影像的脑出血区域，以及提取脑出血影像的脑出血区域内的N维影像特征，N为正整数。
具体的，利用预先训练的深度学习网络对脑出血影像进行分割处理，得到脑出血影像的脑出血区域，可以避免专业人士手工对脑出血影像进行分割，提高了分割效率，降低了人力成本，适用性更广。当然，在一些实施例中，脑出血区域也可以是专业人士手动从脑出血影像中分割出的。本申请对此并不限定。
在一些实施例中，利用深度学习网络分割出的脑出血区域的大小、形状等可以根据需求灵活设置，本申请对此并不限定。
在一些实施例中，N维影像特征至少包括形状特征、一阶直方图特征、二阶直方图特征和纹理特征。
例如，N维影像特征为影像组学特征。
具体的，可以使用开源的python包pyradiomics来提取医学图像的影像组学特征。pyradiomics可以很方便地提取多种影像特征，例如：直方图强度(intensity histogram)，形状特征(shape-based features)，纹理特征(texture-based features)，小波特征(wavelet features)等。在本申请实施例中，可以使用pyradiomics提取脑出血区域内的N维影像特征，例如，形状特征、一阶直方图特征、二阶直方图特征和纹理特征，最终得到851维的影像特征(即N＝851)。
需要说明的是，N维影像特征也可以通过其他方式提取，例如，可以通过深度学习网络或卷积神经网络提取得到。
在一些实施例中，上述深度学习网络可以是端到端模型，通过缩减人工预处理和后续处理，尽可能使模型从原始输入到最终输出，给模型更多可以根据数据自动调节的空间，增加模型的整体契合度。
在一些实施例中，深度学习网络可以包括但不限于以下之一：
全卷积神经网络(Fully Convolutional Network，FCN)，U型网络(UNet)，密集网络(DenseNet)。
全卷积神经网络(FCN)中所有的层都是卷积层，也即卷积层之后仍连接卷积层，输出的是与输入大小相同的特征图。FCN是对图像进行像素级的分类(也就是每个像素点都进行分类)，从而解决了语义级别的图像分割问题。与经典卷积神经网络(ConvolutionalNeural Networks，CNN)在卷积层使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷基层的特征图(featuremap)进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每一个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后奇偶在上采样的特征图进行像素的分类。FCN网络的训练损失为最后一层中每个像素的softmax损失之和。Softmax算法：将一个含任意实数的K维向量Z“压缩”到另一个K维实向量f(Z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。其中，
ei表示第i个位置为1其余位置为0的单位向量。
U型网络(UNet)包括两部分，第一部分是特征提取部分，第二部分是上采样部分，由于网络结构像U型，所以叫UNet网络。对于特征提取部分，每经过一个池化层就一个尺度，包括原图尺度一共有5个尺度。对于上采样部分，每上采样一次，就和特征提取部分对应的通道数相同尺度融合，但是融合之前要将其裁剪(crop)。这里的融合也是拼接。也即，UNet采用了完全不同的特征融合方式：拼接，UNet采用将特征在通道(channel)维度拼接在一起，形成更厚的特征。而FCN融合时使用的对应点相加，并不形成更厚的特征。UNet建立在FCN的网络架构上，使其能够使用很少的训练图像就得到很精确的分割结果。添加上采样阶段，并且添加了很多的特征通道，允许更多的原图像纹理的信息在高分辨率的层(layers)中进行传播。UNet没有全连接(fully connected，FC)层，且全程使用valid卷积来进行卷积，这样的话可以保证分割的结果都是基于没有缺失的上下文特征得到的，因此输入输出的图像尺寸不太一样。
密集网络(DenseNet)可以对输入进行连接(concatenate，cat)操作，一个直观的影响就是每一层学到的特征图(feature map)都能被之后所有层直接使用，这使得特征可以在整个网络中重用，也使得模型更加简洁。DenseNet的一个优点是网络更窄，参数更少，很大一部分原因得益于这种密度模块(dense block)的设计，dense block中每个卷积层的输出特征图(feature map)的数量都很小(小于100)，而不是像其他网络一样动不动就几百上千的宽度。同时这种连接方式使得特征和梯度的传递更加有效，网络也就更加容易训练。DenseNet相当于每一层都直接连接输入(input)和损失(loss)，因此可以减轻梯度消失现象。
在S230中，利用深度学习网络提取脑出血影像的全部区域内的M维影像特征，M为正整数。
具体的，S220和S230中的深度学习网络可以是相同的网络模型。从而，可以提高深度学习网络的效率，减少额外的网络训练。
当然，S220和S230中的深度学习网络也可以是不同的网络模型，本申请对此并不限定。
需要说明的是，深度影像特征的提取可以有多种方法。最常见的方法是训练一个简单的分类网络，通过分类任务的训练，神经网络可以具备一定的特征抽象能力。将脑出血影像输入神经网络之后，可以提取神经网络中最后一层全连接层的输入作为需要的影像特征。在实际使用中，可以训练各种难度的上游任务，比如分割，检测等。不同的任务对应着不同的神经网络结构，提取特征的层也可以根据具体情况指定。
在一些实施例中，M维影像特征所包括的特征信息类型可以包括上述N维影像特征所包括的特征信息类型，例如，M维影像特征可以像上述N维影像特征一样，包括形状特征、一阶直方图特征、二阶直方图特征和纹理特征。
在一些实施例中，M维影像特征也可以包括比上述N维影像特征更多或更少类型的特征信息，本申请对此并不限定。
也即，在本申请实施例中，M与N的取值可以相同，也可以不同。
在本申请实施例中，可以使用预先训练的深度学习网络提取M维影像特征，以充分利用预先训练的深度学习网络，减少额外的网络训练。
具体的，利用深度学习网络提取脑出血影像的全部区域内的M维影像特征，极大程度丰富了影像特征的维度，同时，可以实现特征提取的全流程自动化，增加临床落地可行性。
在一些实施例中，上述深度学习网络的训练过程包括：
获取第一训练样本集，该第一训练样本集中的各个训练样本包括脑出血影像及其对应的脑出血区域和M维影像特征；
根据该第一训练样本集训练该深度学习网络。
第一训练样本集中训练样本的数量可以根据需求设置。例如，若模型训练时需要训练40次，每次利用5000个训练样本进行训练，则第一训练样本集中可以包括5000个训练样本，每次模型训练时利用这5000个训练样本进行训练。脑出血影像及其对应的脑出血区域和M维影像特征是指：脑出血影像是需要进行分割处理和特征提取的图像，而脑出血区域是利用深度学习网络对脑出血影像进行分割处理之后所期望得到的图像，M维影像特征是利用深度学习网络对脑出血影像进行特征提取之后所期望得到的影像特征。
模型训练的目标是得到更好的模型参数，以提高脑出血区域分割和影像特征提取的效果。在进行训练时，将脑出血影像输入到深度学习网络中，然后根据深度学习网络输出的分割区域与脑出血影像对应的脑出血区域的差异调整模型参数，以及根据深度学习网络输出的影像特征与脑出血影像对应的M维影像特征的差异调整模型参数，使得根据调整后的模型参数进行区域分割和影像特征提取得到的分割区域和影像特征越来越接近脑出血影像对应的脑出血区域和M维影像特征，直至满足模型收敛条件，并最终得到训练好的深度学习网络。
需要说明的是，上述第一训练样本集中的脑出血影像可以来自不同医院的大量数据，也即，样本更为丰富，提高了深度学习网络的训练效果。
在S240中，将N维影像特征与M维影像特征融合，得到融合影像特征。
在一些实施例中，将N维影像特征与M维影像特征连接，得到融合影像特征，其中，融合影像特征为N+M维的影像特征。当然，N维影像特征与M维影像特征也可以通过其他方式进行融合，本申请对此并不限定。
具体的，将融合影像特征作为脑出血预测模型的输入，能够在极大程度丰富影像特征的维度，提高预后预测的准确性。
在一些实施例中，融合影像特征的维度也可以小于N+M维。
在S250中，将融合影像特征输入预先训练的脑出血预测模型，获取脑出血预测模型输出的脑出血预后预测结果。
具体的，对于脑出血，预后预测就是预测患者的脑部出血体积是否继续扩大，因为脑部出血体积是否继续扩大与患者最终生存或恢复状况有关，准确预测脑出血是否扩大，可以协助医生及早发现存在出血扩大风险的病人，及早采取相应的治疗，提高患者的生存状况。
脑出血预测结果，例如，0代表出血扩大，1代表出血不扩大；或反之。
在一些实施例中，该脑出血预测模型的训练过程包括：
获取第二训练样本集，第二训练样本集中的各个训练样本包括融合影像特征及其对应的脑出血预测结果；
根据第二训练样本集训练脑出血预测模型。
在一些实施例中，第二训练样本集中包括的融合影像特征是由脑出血影像的脑出血区域内的N维影像特征和脑出血影像的全部区域内的M维影像特征融合得到。
具体的，在第二训练样本集中，脑出血影像的脑出血区域，可以通过上述预先训练的深度学习网络获取。脑出血区域内的N维影像特征可以是医学图像的影像组学特征，可以使用开源的python包pyradiomics来提取脑出血区域内的N维影像特征。
具体的，在第二训练样本集中，脑出血影像的全部区域内的M维影像特征，可以通过上述预先训练的深度学习网络获取。
具体的，在第二训练样本集中，可以将N维影像特征与M维影像特征连接，得到融合影像特征，其中，融合影像特征为N+M维的影像特征。当然，N维影像特征与M维影像特征也可以通过其他方式进行融合，本申请对此并不限定。
第二训练样本集中训练样本的数量可以根据需求设置。例如，若模型训练时需要训练30次，每次利用1万个训练样本进行训练，则第二训练样本集中可以包括1万个训练样本，每次模型训练时利用这1万个训练样本进行训练。融合影像特征及其对应的脑出血预测结果是指：融合影像特征是需要进行预测的影像特征，而脑出血预测结果是利用脑出血预测模型对融合影像特征进行预测之后所期望得到的预测结果。
模型训练的目标是得到更好的模型参数，以提高脑出血预测的效果。在进行训练时，将融合影像特征输入到脑出血预测模型中，然后根据脑出血预测模型输出的预测结果与融合影像特征对应的脑出血预测结果的差异调整模型参数，使得根据调整后的模型参数进行预测得到的预测结果越来越接近融合影像特征对应的脑出血预测结果，直至满足模型收敛条件，并最终得到训练好的脑出血预测模型。
在一些实施例中，上述脑出血预测模型包括XGBoost、CatBoost、TabNet中的一种。XGBoost和CatBoost是机器学习算法，TabNet是深度学习算法。这些方法在分类任务上的表现十分突出，对于异常数据有着较好的鲁棒性，还自带特征选择能力，非常适用于疾病预后预测的场景。
在一些实施例中，可以根据第二训练样本集中训练样本的数量，选取脑出血预测模型，其中，第二训练样本集中的各个训练样本包括融合影像特征及其对应的脑出血预测结果。
例如，在第二训练样本集中训练样本的数量小于第一阈值的情况下，选取XGBoost或CatBoost作为脑出血预测模型。
具体的，当第二训练样本集中训练样本的数量较小时(万量级以下)，可以采用XGBoost或CatBoost作为脑出血预测模型，两者都属于机器学习中的决策树方法。决策树方法在训练的过程中会不断选择叶子节点进行分裂，每次分裂前会衡量当前节点分裂为子节点的收益，如果前节点分裂成子节点没有收益，则当前节点继续作为一个叶子节点。每个叶子节点会带有一个分数，代表着分到当前节点的数据有多大概率被预测为正类。根据最终生成的树形模型，还可以衡量影像特征中每个特征维度的重要性，增加模型的可解释性。
例如，在第二训练样本集中训练样本的数量大于或等于第一阈值的情况下，选取TabNet作为脑出血预测模型。
具体的，当第二训练样本集中训练样本的数量较大时(万量级及以上时)，可以采用TabNet这类深度学习方法作为脑出血预测模型。TabNet利用了深度神经网络模拟树形结构，在吸取深度学习优点的同时，又具有树形分类器的优势，在分类任务中表现出色。不过跟大多数深度学习方法一样，TabNet需要大数据量的支撑，否则网络得不到充分训练，泛化能力有限。在训练数据足够大的情况下，TabNet的表现会比XGBoost和CatBoost等方法更好。
在一些实施例中，在上述脑出血预测模型为XGBoost或CatBoost的情况下，该脑出血预测模型具体可以通过如下流程实现：
获取训练样本集D，其中，D＝{(Xi,yi)|Xi∈Rm,yi∈R,i,j＝1,2,...n}，n表示样本数量，Rm表示维度m，R表示维度1，Xi表示第i个样本，yi表示Xi对应的目标变量；
以加法集成树模型拟合数据，
表示基于Xi预测的目标变量，K表示树的数量，fk表示函数空间Γ的一个函数；
对目标函数进行最小化处理，以优化脑出血预测模型，其中，
第t次的预测结果为
其中，
表示第t-1次的预测结果；
对第t次预测的目标函数进行最小化处理，以优化脑出血预测模型，
其中，
Objt*表示第t次预测的目标函数，Mt表示第t次预测的叶子节点数量，
表示
与yi之间的偏差，Ij为第j个叶子节点，Ij＝{i|q(Xj)＝j}。
在本申请实施例中，脑出血预测模型的拟合能力较强，预测的准确率高，可以利用上来自不同医院的大量数据和更多的影像特征维度，而不出现欠拟合，提高模型准确率。
在一些实施例中，在影像特征融合之前，对N维影像特征和/或M维影像特征进行筛选；和/或，在输入脑出血预测模型之前，对融合影像特征进行筛选。也即，可以单独对N维影像特征进行筛选，也可以单独对M维影像特征进行筛选，还可以对N维影像特征和M维影像特征融合之后融合影像特征进行筛选。筛选的目的是剔除冗余或不相关特征。
具体的，可以在上述S240之前，对N维影像特征和/或M维影像特征进行筛选。也可以在上述S250之前，也即，在输入脑出血预测模型之前，对融合影像特征进行筛选。
在一些实施例中，上述筛选的方式包括第一筛选方式和/或第二筛选方式，第一筛选方式用于筛选出与脑出血相关的影像特征维度，且基于第一筛选方式筛选出的不同维度的影像特征之间具有差异性，第二筛选方式基于上述脑出血预测模型进行筛选。
具体的，不同维度的影像特征之间具有差异性，可以减少冗余的特征维度，提升脑出血预后预测的效率。
此外，基于第二筛选方式进行特征筛选，也即，基于上述脑出血预测模型进行特征筛选，可以将特征筛选融入端到端的模型训练中，可快速应用到新任务新场景中，适用性更广。
在一些实施例中，上述筛选可以执行多次，具体执行次数可以基于需求灵活设置。
在一些实施例中，上述特征筛选也可以通过其他方式实现，例如，专门训练的模型进行特征筛选或者人工进行特征筛选，本申请对此并不限定。
因此，在本申请实施例中，利用深度学习网络对脑出血影像进行分割，以及利用深度学习网络提取脑出血影像的全部区域内的M维影像特征，可以利用来自不同医院的大量数据和更多的影像特征维度训练深度学习网络，提高了分割和特征提取的效率和准确性，同时也提高了脑出血预后预测的准确性，从而辅助医生制定治疗方案，且增加了临床落地可行性。
上文结合图2，详细描述了本申请的方法实施例，下文结合图3，详细描述本申请的装置实施例，应理解，装置实施例与方法实施例相互对应，类似的描述可以参照方法实施例。
图3示意性示出了根据本申请的一实施例的脑出血预后预测装置的框图。该脑出血预后预测装置可以采用软件单元或硬件单元，或者是二者的结合成为计算机设备的一部分。如图3所示，本申请实施例提供的脑出血预后预测装置300具体可以包括：
获取模块310，用于获取脑出血影像；
分割模块320，用于利用预先训练的深度学习网络对脑出血影像进行分割处理，得到脑出血影像的脑出血区域；
提取模型330，用于提取脑出血影像的脑出血区域内的N维影像特征，N为正整数；
提取模块330，还用于利用深度学习网络提取脑出血影像的全部区域内的M维影像特征，M为正整数；
融合模块340，用于将N维影像特征与M维影像特征融合，得到融合影像特征；
输入模块350，用于将融合影像特征输入预先训练的脑出血预测模型，获取脑出血预测模型输出的脑出血预后预测结果。
在一个实施例中，融合模块340具体用于：
将该N维影像特征与该M维影像特征连接，得到该融合影像特征，其中，该融合影像特征为N+M维的影像特征。
在一个实施例中，脑出血预后预测装置300还包括筛选模块，
该筛选模块，用于在影像特征融合之前，对该N维影像特征和/或该M维影像特征进行筛选；和/或，在输入该脑出血预测模型之前，对该融合影像特征进行筛选。
在一个实施例中，该筛选的方式包括第一筛选方式和/或第二筛选方式，该第一筛选方式用于筛选出与脑出血相关的影像特征维度，且基于该第一筛选方式筛选出的不同维度的影像特征之间具有差异性，该第二筛选方式基于该脑出血预测模型进行筛选。
在一个实施例中，该N维影像特征至少包括形状特征、一阶直方图特征、二阶直方图特征和纹理特征。
在一个实施例中，该深度学习网络包括FCN、UNet、DenseNet中的一种。
在一个实施例中，该深度学习网络的训练过程包括：
获取第一训练样本集，该第一训练样本集中的各个训练样本包括脑出血影像及其对应的脑出血区域和M维影像特征；
根据该第一训练样本集训练该深度学习网络。
在一个实施例中，该脑出血预测模型包括XGBoost、CatBoost、TabNet中的一种。
在一个实施例中，提取模块330还用于根据第二训练样本集中训练样本的数量，选取脑出血预测模型，其中，第二训练样本集中的各个训练样本包括融合影像特征及其对应的脑出血预测结果。
在一个实施例中，提取模块330具体用于：
在第二训练样本集中训练样本的数量小于第一阈值的情况下，选取XGBoost或CatBoost作为脑出血预测模型；
在第二训练样本集中训练样本的数量大于或等于第一阈值的情况下，选取TabNet作为脑出血预测模型。
在一个实施例中，该脑出血预测模型的训练过程包括：
获取第二训练样本集，该第二训练样本集中的各个训练样本包括融合影像特征及其对应的脑出血预测结果；
根据该第二训练样本集训练该脑出血预测模型。
在一个实施例中，该第二训练样本集中包括的融合影像特征是由脑出血影像的脑出血区域内的N维影像特征和脑出血影像的全部区域内的M维影像特征融合得到。
本申请实施例提供的脑出血预后预测装置中的各个模块的具体实现可以参照上述脑出血预后预测方法中的内容，在此不再赘述。
上述脑出血预后预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各个模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行上述各个模块对于的操作。
图4示出了实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图4示出的电子设备的计算机系统400仅是一个示例，不应该对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元(Central Processing Unit，CPU)401，其可以根据存储在只读存储器(Read-Only Memory，ROM)402中的程序或者从存储部分408加载到随机访问存储器(Random Access Memory，RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(Input/Output，I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如局域网(Local AreaNetwork，LAN)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读取的计算机程序根据需要被安装入存储部分408。
特别地，根据本申请实施例，上文流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行上述流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理器(CPU)401执行时，执行本申请的装置中限定的各种功能。
在一个实施例中，还提供了一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，处理器配置为经由执行可执行指令来执行上述各方法实施例中的步骤。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所述的计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或者器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或者多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁盘存储器件、或者上述任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或者存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或者上述的任何合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何恰当的介质传输，包括但不限于：无线、电线、光缆、射频等等，或者上述的任意合适的组合。
本实施例仅用于说明本申请，本实施例的软硬件平台架构、开发环境、开发语言、消息获取源头等的选取都是可以变化的，在本申请技术方案的基础上，凡根据本申请原理对某个部分进行的改进和等同变换，均不应排除在本申请的保护范围之外。
需要说明的是，在本申请实施例和所附权利要求书中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。
所属领域的技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。
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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例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、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
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，上述描述的设备、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。
在本申请提供的几个实施例中，应该理解到，所揭露的电子设备、装置和方法，可以通过其它的方式实现。
例如，以上所描述的装置实施例中单元或模块或组件的划分，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，例如，多个单元或模块或组件可以结合或者可以集成到另一个系统，或一些单元或模块或组件可以忽略，或不执行。
又例如，上述作为分离/显示部件说明的单元/模块/组件可以是或者也可以不是物理上分开的，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/模块/组件来实现本申请实施例的目的。
最后，需要说明的是，上文中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。
以上内容，仅为本申请实施例的具体实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。因此，本申请实施例的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种脑出血预后预测方法，其特征在于，包括：
获取脑出血影像；
利用预先训练的深度学习网络对所述脑出血影像进行分割处理，得到所述脑出血影像的脑出血区域，以及提取所述脑出血影像的脑出血区域内的N维影像特征，N为正整数；
利用所述深度学习网络提取所述脑出血影像的全部区域内的M维影像特征，M为正整数；
将所述N维影像特征与所述M维影像特征融合，得到融合影像特征；
将所述融合影像特征输入预先训练的脑出血预测模型，获取所述脑出血预测模型输出的脑出血预后预测结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述N维影像特征与所述M维影像特征融合，得到融合影像特征，包括：
将所述N维影像特征与所述M维影像特征连接，得到所述融合影像特征，其中，所述融合影像特征为N+M维的影像特征。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在影像特征融合之前，对所述N维影像特征和/或所述M维影像特征进行筛选；和/或，
在输入所述脑出血预测模型之前，对所述融合影像特征进行筛选。
4.根据权利要求3所述的方法，其特征在于，所述筛选的方式包括第一筛选方式和/或第二筛选方式，所述第一筛选方式用于筛选出与脑出血相关的影像特征维度，且基于所述第一筛选方式筛选出的不同维度的影像特征之间具有差异性，所述第二筛选方式基于所述脑出血预测模型进行筛选。
5.根据权利要求1所述的方法，其特征在于，所述深度学习网络的训练过程包括：
获取第一训练样本集，所述第一训练样本集中的各个训练样本包括脑出血影像及其对应的脑出血区域和M维影像特征；
根据所述第一训练样本集训练所述深度学习网络。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据第二训练样本集中训练样本的数量，选取所述脑出血预测模型，其中，所述第二训练样本集中的各个训练样本包括融合影像特征及其对应的脑出血预测结果。
7.根据权利要求6所述的方法，其特征在于，所述根据训练样本集中训练样本的数量，选取所述脑出血预测模型，包括：
在所述第二训练样本集中训练样本的数量小于第一阈值的情况下，选取XGBoost或CatBoost作为所述脑出血预测模型；
在所述第二训练样本集中训练样本的数量大于或等于第一阈值的情况下，选取TabNet作为所述脑出血预测模型。
8.根据权利要求1所述的方法，其特征在于，所述脑出血预测模型的训练过程包括：
获取第二训练样本集，所述第二训练样本集中的各个训练样本包括融合影像特征及其对应的脑出血预测结果；
根据所述第二训练样本集训练所述脑出血预测模型。
9.根据权利要求8所述的方法，其特征在于，所述第二训练样本集中包括的融合影像特征是由脑出血影像的脑出血区域内的N维影像特征和脑出血影像的全部区域内的M维影像特征融合得到。
10.一种脑出血预后预测装置，其特征在于，包括：
获取模块，用于获取脑出血影像；
分割模块，用于利用预先训练的深度学习网络对所述脑出血影像进行分割处理，得到所述脑出血影像的脑出血区域；
提取模型，用于提取所述脑出血影像的脑出血区域内的N维影像特征，N为正整数；
所述提取模块，还用于利用所述深度学习网络提取所述脑出血影像的全部区域内的M维影像特征，M为正整数；
融合模块，用于将所述N维影像特征与所述M维影像特征融合，得到融合影像特征；
输入模块，用于将所述融合影像特征输入预先训练的脑出血预测模型，获取所述脑出血预测模型输出的脑出血预后预测结果。
11.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至9中任一项所述的方法。
12.一种计算机可读存储介质，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权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110225720.8A CN113724184A (zh) | 2021-03-01 | 2021-03-01 | 脑出血预后预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110225720.8A CN113724184A (zh) | 2021-03-01 | 2021-03-01 | 脑出血预后预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113724184A true CN113724184A (zh) | 2021-11-30 |
Family
ID=78672532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110225720.8A Pending CN113724184A (zh) | 2021-03-01 | 2021-03-01 | 脑出血预后预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724184A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187600A (zh) * | 2022-09-13 | 2022-10-14 | 杭州涿溪脑与智能研究所 | 一种基于神经网络的脑部出血体积计算方法 |
| CN118097164A (zh) * | 2023-12-14 | 2024-05-28 | 中国人民解放军总医院第一医学中心 | 一种ai脑出血预后预测系统 |
-
2021
- 2021-03-01 CN CN202110225720.8A patent/CN113724184A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187600A (zh) * | 2022-09-13 | 2022-10-14 | 杭州涿溪脑与智能研究所 | 一种基于神经网络的脑部出血体积计算方法 |
| CN118097164A (zh) * | 2023-12-14 | 2024-05-28 | 中国人民解放军总医院第一医学中心 | 一种ai脑出血预后预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Deep learning of the sectional appearances of 3D CT images for anatomical structure segmentation based on an FCN voting method | |
| US10600185B2 (en) | Automatic liver segmentation using adversarial image-to-image network | |
| US11328430B2 (en) | Methods, systems, and media for segmenting images | |
| US11929174B2 (en) | Machine learning method and apparatus, program, learned model, and discrimination apparatus using multilayer neural network | |
| Xue et al. | Segan: Adversarial network with multi-scale l 1 loss for medical image segmentation | |
| CN109872306B (zh) | 医学图像分割方法、装置和存储介质 | |
| US11593943B2 (en) | RECIST assessment of tumour progression | |
| US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
| CN111932529B (zh) | 一种图像分类分割方法、装置及系统 | |
| CN110276741B (zh) | 结节检测及其模型训练的方法和装置以及电子设备 | |
| CN112037171B (zh) | 基于多模态特征融合的多任务mri脑瘤图像分割方法 | |
| Wiestler et al. | Deep learning for medical image analysis: a brief introduction | |
| KR102163225B1 (ko) | 뉴럴 네트워크를 이용한 영상 분할 방법 및 그 장치 | |
| Chen et al. | Renal pathology images segmentation based on improved cuckoo search with diffusion mechanism and adaptive beta-hill climbing | |
| Maity et al. | Automatic lung parenchyma segmentation using a deep convolutional neural network from chest X-rays | |
| CN111369567A (zh) | 三维图像中目标对象的分割方法、装置及电子设备 | |
| CN113724184A (zh) | 脑出血预后预测方法、装置、电子设备及存储介质 | |
| CN113256592A (zh) | 图像特征提取模型的训练方法、系统及装置 | |
| Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
| Barrowclough et al. | Binary segmentation of medical images using implicit spline representations and deep learning | |
| Tyagi et al. | LCSCNet: A multi-level approach for lung cancer stage classification using 3D dense convolutional neural networks with concurrent squeeze-and-excitation module | |
| CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
| CN114283110A (zh) | 用于医学图像的图像处理方法、装置、设备及存储介质 | |
| Chatterjee et al. | A survey on techniques used in medical imaging processing | |
| Selvadass et al. | SAtUNet: Series atrous convolution enhanced U‐Net for lung nodule segmentation |
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 |