CN115132359A - 预测模型构建方法及装置、预测方法及装置、电子设备 - Google Patents

预测模型构建方法及装置、预测方法及装置、电子设备 Download PDF

Info

Publication number
CN115132359A
CN115132359A CN202210602307.3A CN202210602307A CN115132359A CN 115132359 A CN115132359 A CN 115132359A CN 202210602307 A CN202210602307 A CN 202210602307A CN 115132359 A CN115132359 A CN 115132359A
Authority
CN
China
Prior art keywords
image
feature
survival
prognosis
features
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
CN202210602307.3A
Other languages
English (en)
Inventor
康雁
郭英委
冯孟婷
曾学强
缪晓强
杨英健
曹冯秋
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.)
Shenzhen Technology University
Original Assignee
Shenzhen Technology University
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 Shenzhen Technology University filed Critical Shenzhen Technology University
Priority to CN202210602307.3A priority Critical patent/CN115132359A/zh
Publication of CN115132359A publication Critical patent/CN115132359A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • 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

Landscapes

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

Abstract

本公开涉及一种预测模型构建方法及装置、预测方法及装置、电子设备，所述预测模型的构建方法包括：获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征，所述感兴趣区域包括异常区域；从所述第一影像特征中筛选出满足预设条件的第二影像特征；基于所述第二影像特征得到生存特征；基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型。本公开实施例可提高预后状态的预测精度。

Description

预测模型构建方法及装置、预测方法及装置、电子设备
技术领域
本公开涉及医学影像处理技术领域，尤其涉及一种预测模型构建方法及装置、预测方法及装置、电子设备。
背景技术
脑卒中已经成为世界第二大死亡原因，具有极高的致死率和致残率。患者即使幸存也常常伴有不同程度的神经功能障碍，导致生活质量受损，这给患者、家人以及社会带来了沉重负担。
目前，治疗缺血性脑卒中的主要手段包括静脉或动脉注射TPA和介入式手术治疗。适当的治疗策略能够使患者得到最佳的治疗和康复，但不可避免地是治疗过程中存在或多或少的风险，因此在选择治疗方案时，个体风险与患者受益都是被考虑的重要因素。因此，精准的预后预测能够帮助医生为患者量身定制适配的治疗方案，辅助安排康复训练计划，减少患者愈后不良的情况，为家庭和社会减轻负担。
目前，在缺血性卒中溶栓治疗前通常通过美国国立卫生研究院卒中量表(National Institutes of Health Stroke Scale,NIHSS)评分、临床症状、辅助检查结果来评估治疗决策，评估方法简单易行；但该方法较依赖医生的经验，对于治疗预后的预测无法做到量化，预测准确性有待提高。也有部分学者仅基于医学影像展开相关研究，利用传统影像特征通过人工智能的方法进行风险预测。利用如Vgg-16孪生网络等人工智能方式对图像进行处理执行90天预后状态的预测，但预测精度并不理想。因此，亟待提出一种能够对脑卒中患者预后状况进行准确评估预测的方案。
发明内容
本公开提出了一种预测模型构建方法及装置、预测方法及装置、电子设备。
根据本公开的一方面，提供了一种预后状态预测模型的构建方法，其包括：
获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征，所述感兴趣区域包括异常区域；
从所述第一影像特征中筛选出满足预设条件的第二影像特征；
基于所述第二影像特征得到生存特征；
基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型。
在一些可能的实施方式中，所述从所述第一影像特征中筛选出满足预设条件的第二影像特征，包括：
基于多级特征选择策略，确定所述第二影像特征的特征项；
从所述第一影像特征中筛选出所述特征项，得到所述第二影像特征。
在一些可能的实施方式中，所述感兴趣区域还包括正常区域，脑灌注影像集中的脑灌注影像包括多个时刻的脑影像；
所述基于多级特征选择策略，确定所述第二影像特征的特征项，包括：
基于所述多个时刻，分别提取所述感兴趣区域的第一影像特征；
基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常组织和所述异常组织的第二影像特征。
在一些可能的实施方式中，所述基于所述第二影像特征得到生存特征，包括：
利用生存模型预测所述第二影像特征的预后风险；
基于所述预后风险确定所述生存特征；
和/或
所述基于所述第二影像特征得到生存特征，包括：
获取所述脑灌注影像集对应的临床文本信息，所述临床文本信息包括年龄；
利用生存模型预测在所述年龄情况下，所述第二影像特征的预后风险；
基于所述预后风险确定所述生存特征。
在一些可能的实施方式中，所述获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征，包括：
确定所述脑灌注影像的感兴趣区域，所述感兴趣区域包括异常组织；
基于所述脑灌注影像内的多个时刻的脑影像，提取所述感兴趣区域的第一影像特征。
在一些可能的实施方式中，所述方法还包括：
在从所述第一影像特征中筛选出满足预设条件的第二影像特征的情况下，确定最优特征选择方法；
以及所述基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型，包括：
基于所述最优特征选择方法从所述第二影像特征中选择出与预后状态相关的预后特征；
基于所述预后特征和所述生存特征的组合特征，训练模型，并得到用于评估预后状态的预测模型；或者
所述基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型，包括：
基于所述最优特征选择方法从所述第二影像特征和临床文本信息中选择出与预后状态相关的预后特征；
基于所述预后特征和所述生存特征的组合特征，训练模型，并得到用于评估预后状态的预测模型；或者
所述基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型，包括：
基于所述最优特征选择方法从所述第二影像特征选择出与预后状态相关的预后特征；
基于所述预后特征、临床文本特征以及所述生存特征的组合特征，训练模型，并得到用于评估预后状态的预测模型。
根据本公开的第二方面，提供了一种预后状态的风险预测方法，其包括：
获取脑灌注影像内感兴趣区域的第一影像特征；
从所述第一影像特征中筛选出满足预设条件的第二影像特征；
基于所述第二影像特征得到生存特征；
利用预测模型，基于所述第二影像特征和所述生存特征预测在预设时间内的预后状态，所述预测模型由第一方面中任意一项所述的预后状态预测模型的构建方法得到。
根据本公开的第三方面，提供了一种预后状态预测模型的构建装置，其包括：
第一获取模块，用于获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征；
第一筛选模块，用于从所述第一影像特征中筛选出满足预设条件的第二影像特征；
第一生存模块，用于基于所述第二影像特征得到生存特征；
训练模块，用于基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型。
根据本公开的第四方面，提供了一种预后状态预测装置，其包括：
第二获取模块，用于获取脑灌注影像内感兴趣区域的第一影像特征；
第二筛选模块，用于从所述第一影像特征中筛选出满足预设条件的第二影像特征；
第二生存模块，用于基于所述第二影像特征得到生存特征；
预测模块，用于利用预测模型，基于所述第二影像特征和所述生存特征预测在预设时间内的预后状态。
根据本公开的第五方面，提供了一种电子设备，其包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行第一方面中任意一项所述的方法，或者执行第二方面所述的方法。
根据本公开的第六方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述第一方面或第二方面的方法。
在本公开实施例中，通过从脑灌注影像的特征集合中筛选出满足预设条件的第二影像特征，并进一步获取能够体现生存信息的生存特征，利用生存特征和第二影像特征来训练预测模型，得到能够准确评估预后状态的预测模型。本公开实施例由于生存特征的引入，有效提高模型的预测精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的预后状态预测模型的构建方法的流程图；
图2示出根据本公开实施例中获取第一影像特征的流程图；
图3示出根据本公开实施例筛选第二影像特征的方法流程图；
图4示出根据本公开实施例的一种预后状态的风险预测方法的流程图；
图5示出根据本公开实施例的预后状态预测模型的构建装置的框图；
图6示出根据本公开实施例的一种预后状态预测装置的框图；
图7示出根据本公开实施例的一种电子设备800的框图；
图8示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本公开实施例提供的预后状态预测模型的构建方法或者预后状态预测方法的执行主体可以是图像处理装置，例如，上述方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
图1示出根据本公开实施例的预后状态预测模型的构建方法的流程图，如图1所示，所述预后状态预测模型的构建方法包括：
S10：获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征；
在一些可能的实施方式中，脑灌注影像集可以包括多个脑灌注影像，其中脑灌注影像的类型可以为磁共振灌注加权成像(PWI)、计算机断层灌注成像(CTP)、动脉自旋标记灌注成像(ASL-MRI)中的至少一种。另外，脑灌注影像中包括多组脑影像，每组脑影像可以作为一个时间范围扫描的脑影像，脑灌注影像中的多组脑影像可以是连续时间(作为多个时刻)扫描的脑影像。另外，本公开实施例中的脑灌注影像可以为患有脑疾病的患者的影像，如可以为缺血性脑卒中患者的灌注影像，或者也可以为脑胶质瘤患者的影像，公开对类型不作具体限定，但灌注影像集中的脑灌注影像的疾病类型相同，本如本公开为脑缺血患者的灌注影像集。
在一些可能的实施方式中，可以获取脑灌注影像中各脑影像的感兴趣区域，感兴趣区域可以包括异常区域；该异常区域为脑组织病变区域，如可以为缺血组织对应的区域，在其他实施例中还可以为肿瘤区域、出血区域，本公开对此不做具体限定。
在一些可能的实施方式中，可以针对各时刻的脑影像，分别提取感兴趣区域的影像特征，并构成异常区域的第一影像特征。
S20：从所述第一影像特征中筛选出满足预设条件的第二影像特征；
在一些可能的实施方式中，可以通过不同的特征选择方法进行多级特征选择，从第一影像特征中筛选出能够准确区别正常区域和异常区域的第二影像特征。
S30：基于所述第二影像特征得到生存特征；
在一些可能的实施方式中，可以利用生存模型得到与第二影像特征对应的生存特征，该生存特征可以表示患者的生存概率。
S40：基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型。
在一些可能的实施方式中，可以利用各脑灌注影像的第二影像特征和得到的生存特征训练模型，得到能够执行预后状态评估的预测模型。本公开实施例中，脑灌注影像集中各脑灌注影像对应的配置患者在治疗后90天内的功能恢复评分(预后评分)，该评分根据脑卒中改良Rankin量表即mRS评分标准获得，mRS评分包括0-6七个等级，该评分越高说明功能恢复状况越差。其中0表示完全恢复，6表示死亡，大于2时表示存在不同程度的残疾，1和2表示恢复良好。在一些可能的实施方式中，可以将预后评分作为标签，并利用第二影像特征和生存特征输入到模型进行训练，得到用于评估预后状态的预测模型。
基于上述配置，本公开可以通过筛选出满足预设条件的第二影像特征进一步获取能够体现生存信息的生存特征，并利用生存特征和第二影像特征来训练预测模型，以此得到能够评估预后状态的预测模型。由于生存特征的引入，能够有效提高模型的预测精度。
下面结合附图，对本公开实施例进行详细说明。首先，本公开实施例可以获取脑灌注影像集，其中获取脑灌注影像集的方式可以包括以下方式中的至少一种：
A)直接利用医学影像采集设备采集脑灌注影像；本公开实施例中，医学影像采集设备可以为核磁共振设备，但不作为本公开的具体限定。
B)通过电子设备传送并接收包括多个脑灌注影像的脑灌注影像集；本公开实施例可以通过通信的方式接收其他电子设备传送的脑灌注影像，通信方式可以包括有线通信和/或无线通信，本公开不做具体限定。
C)读取数据库中存储的脑灌注影像；本公开实施例可以根据接收到的数据读取指令读取本地或者服务器存储的脑灌注影像，以此获得脑灌注影像集，本公开对此不做具体限定。
在此需要说明的是，本公开实施例中的脑灌注影像可以是相同设备或者不同设备采集的灌注影像。相关技术领域人员可以根据需求选择相应的设备，在此不做具体限定。
本公开实施例在获得脑灌注影像集的前提下，可以对脑灌注影像进行预处理，或者也可以直接确定脑灌注影像中感兴趣区域，进行后续处理。
其中，对脑灌注影像进行预处理包括以下方式中的至少一种：对所述脑灌注影像进行去骨处理；对所述脑灌注影像进行时间序列的配准处理；对所述脑灌注影像进行时间序列上的平滑处理。
其中，可以利用FSL软件对脑灌注影像执行去骨处理，从而避免脑灌注影像中头骨像素对后续处理的影像，提高感兴趣区域提取的准确度，以及特征提取的准确度。另外，对脑灌注影像进行时间序列的配准包括：对脑灌注影像中的多时刻的脑影像进行刚性配准，消除患者在采集影像过程中由于移动产生的运动偏差。其中，配准算法通过ITK Elastix实现，本公开对此不作具体限定。
对脑灌注影像进行时间序列上的平滑处理包括：获取脑组织中相同像素点在多个时刻上的灰度值，形成时间灰度序列；对所述时间灰度序列执行平滑处理。其中平滑处理可以包括三次移动平均处理，本公开实施例可以采用1*3的移动窗对时间灰度序列进行平滑，本公开对此不做具体限定。通过平滑处理可以减少脑灌注影像中的噪声，提高图像质量。
在预处理后或者获得脑灌注影像集后，可以进一步获取脑灌注影像中感兴趣区域的第一影像特征，其中，感兴趣区域可以包括异常区域。其中，异常区域可以包括脑缺血区域，或者在其他实施方式中也可以为脑出血区域、脑肿瘤区域、脑梗塞区域等中的至少一种。
图2示出根据本公开实施例中获取第一影像特征的流程图。其中，所述获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征，包括：
S101：确定所述脑灌注影像的感兴趣区域，所述感兴趣区域包括异常组织；
S102：基于所述脑灌注影像内的多个时刻的脑影像，提取所述感兴趣区域的第一影像特征。
在一个示例中，本公开实施例可以直接通过深度学习模型从脑灌注影像中分割出异常区域，如缺血区域，或者，本公开实施例也可以基于脑灌注影像进一步获得相应的动力学参数，并基于动力学参数确定异常区域。其中动力学参数可以包括脑血流量(CBF)、脑血容量(CBV)、平均通过时间(MTT)、达峰时间(TTP)、最大剩余功能时间(TMAX)等。例如可以通过灌注后处理软件Rapid等对脑灌注影像进行后处理得到Tmax参数，并利用Tmax参数大于阈值的像素点确定异常区域。其中阈值可以为6S，或者也可以是其他值，如4S或者10S，本公开对此不做具体限定。
在得到脑灌注影像的情况下，可以提取感兴趣区域的第一影像特征。针对各脑灌注影像，可以对不同时刻的脑影像中的感兴趣区域分别进行特征提取处理，而后对各时刻的特征进行融合，得到第一影像特征。
其中，所述基于所述脑灌注影像内的多个时刻的脑影像，提取所述感兴趣区域的第一影像特征，包括：基于所述多个时刻，分别对各时刻下所述感兴趣区域执行特征提取处理，得到各时刻下的时刻影像特征；针对所述脑灌注影像，分别将所述感兴趣区域在各时刻的时刻影像特征组合，得到所述感兴趣区域的第一影像特征。
本公开实施例中，脑灌注影像中可以包括t组脑影像，该t组脑影像分别对应t个时刻，如本公开实施例中t可以为大于1且小于或者等于50的整数，但不作为本公开的具体限定。本公开实施例可以对t时刻的脑影像中的感兴趣区域分别进行特征提取处理。
在一个示例中，特征提取处理可以包括：对感兴趣区域执行至少一种图像变换，基于感兴趣区域及其图像变换结果得到所述感兴趣区域的扩增集；并提取所述扩增集中的任一图像的一阶梯度特征、形状特征和纹理特征中的至少一种。其中，所述图像变化包括傅里叶变换、Gabor变换、高斯-拉普拉斯变换、小波变换、平方根滤波、指数函数滤波中的至少一种。本公开实施例可以利用原始的感兴趣区域以及进行图像变换后的结果组成扩增集，并对扩增集中每个感兴趣区域进行特征提取，以获得更为丰富的影像特征。提取的一阶梯度特征可以包括感兴趣区域的灰度均值、最大灰度值、最小灰度值、方差、百分位数(14和15)等描述单像素或者单体素的特征，描述数据强度分布的形状的偏度、峰度特征，以及直方图商和能量信息等。其中，偏度反映了数据分布曲线向左(负偏，低于均值)或向右(正偏，高于均值)的不对称性；而峰度则反映了数据分布相对于高斯分布由于异常值而导致的拖尾。形状特征可以包括基于表面和体积的特征，如紧凑性和球形度特征。纹理特征可以包括绝对梯度(Absolute Gradient)、灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)、灰度大小区域矩阵(GLSZM)，以及灰度依赖矩阵(GLDM)。
在一些可能的实施方式中，可以利用提取影像组学方式执行上述特征提取处理，得到各时刻下感兴趣区域分别对应的时刻影像特征。通过将各时刻的时刻影像特征进行组合，得到感兴趣区域的第一影像特征。本公开实施例可以计算出65800个第一影像特征(50个时刻下的3D脑影像×1316个时刻影像特征)。这些第一影像特征被分为9组：(1)形状特征×50＝700,(2)一阶梯度特征：18×50＝900),(3)灰度共生矩阵GLCM(24×50＝1200),(4)灰度运行长度矩阵GLRLM(16×50＝800),(5)灰度大小区域矩阵GLSZM(16×50＝800),(6)邻近的灰色基调不同矩阵NGTDM(5×50＝250),(7)灰度相关矩阵GLDM(14×50＝700),(8)拉普拉斯变换(465×50＝23250),(9)小波变换(744×50＝37200)。本公开实施例中，每个时刻影像特征可以被定义为影像组学特征本身的名称以及3D脑影像的时刻值的结合，其中t为3D图像对应的时间值。例如，“Log-sigma-1-0-mm-3d_firstorder_skewness_17”表示DSC-PWI脑灌注影像中的第17个时刻的时刻影像特征“Log-sigma-1-0-mm-3d_firstorder_skewness”。
另外，本公开实施例在执行感兴趣区域的特征提取处理时，还可以对时刻序列进行优化，减少时刻值，提高运算效率。具体地，本公开实施例可以将脑灌注影像的时刻t划分为三组，如第一组为准备阶段，第二组为反应阶段，第三组为恢复阶段。其中，准备阶段为在灌注成像过程中脑影像未受到造影剂的影响的阶段，反应阶段为造影剂流经血管使得像素点的灰度值发生变化的阶段，恢复阶段为造影剂离开像素点的灰度值恢复到初始状态的过程。本公开实施例中，t为50个时刻，其中第一组为1-10时刻，第二组为11-30时刻，第三组为31-50时刻。上述仅为本公开示例，不作为具体限定。在得到三组时刻的情况下，可以对第一组时刻对应的脑影像执行均值处理，以及对第三组时刻对应的脑影像执行均值处理，将第一组均处理得到的脑影像、第二组时刻对应的脑影像，以及第三组均值处理得到的脑影像作为特征提取处理的新脑灌注影像。从而在保证信息全面的前提下，减少运算量，提高特征提取效率。
上述实施方式可以针对每个时刻的三维脑影像进行影像特征提取，以从多时刻的三维影像的角度出发，得到不同时刻下的动态影像特征。
另外，在本公开的另一些实施方式中，还可以对脑灌注影像中每层脑图像在t时刻下的特征进行整体分析，得到第一影像特征。其中，所述基于所述脑灌注影像内的多个时刻的脑影像，提取所述感兴趣区域的第一影像特征，还可以包括：分别基于不同时刻下相同层的脑图像生成第一脑影像，所述第一脑影像的数量与脑图像的层数相同，所述第一脑影像的层数与时刻数相同；分别对所述第一脑影像中所述感兴趣区域执行特征提取处理，得到层影像特征；针对所述脑灌注影像，基于所述感兴趣区域的层影像特征的组合，得到所述感兴趣区域的第一影像特征。
本公开实施例的脑灌注影像中的脑影像为3D影像，各脑影像具有相同的维度。其中可以包括多层脑图像。3D影像可以包括三个方向的脑图像，如冠状面、矢状面以及横断面，每个方向的各层图像均可以作为本公开实施例的特征提取对象。
在一个示例中，脑灌注影像的维度可以表示为t*C*W*H，其中t表示时刻数，C表示脑影像的层数，W和H分别表示脑影像的宽度和高度。本公开实施例中，按照第一层到第C层的顺序，提取t个时刻下的脑图像，并组成第一脑影像。每个第一脑影像与脑图像的层数对应，第一脑影像的数量与脑图像的层数相同，第一脑影像的层数与时刻数相同。因此，针对每个脑灌注影像得到的第一脑影像的维度为t*W*H，数量为C。
在得到第一脑影像的情况下，可以对第一脑影像中的感兴趣区域执行特征提取处理，得到层影像特征。其中特征提取处理与上述实施例的配置相同，包括：对感兴趣区域执行至少一种图像变换，基于感兴趣区域及其图像变换结果得到所述感兴趣区域的扩增集；并提取所述扩增集中的任一图像的一阶梯度特征、形状特征和纹理特征中的至少一种。针对各层得到第一脑影像，执行感兴趣区域的特征提取处理后，可以得到对应的层影像特征，将各层的层影像特征进行组合，可以得到第一影像特征。在脑影像的层数为20的情况下，第一影像特征的数量可以为26320(1316*20)，但不作为本公开的具体限定。
同样地，本公开实施例在提取层影像特征之前可以对时刻值进行优化，减少时刻值，具体方式参照前述实施例。
基于上述配准，本公开实施例可以从时刻的角度构造三维影像，提取层影像特征，进一步丰富提取的动态影像特征。在另一些实施方式中，本公开实施例得到的第一影像特征可以为上述两类第一影像特征的组合，进一步丰富影像特征，但不作为本公开的具体限定。
在得到丰富的第一影像特征的情况下，可以进一步执行特征筛选，以选择出能够精准区分正常区域和异常区域的第二影像特征。本公开实施例采用多级选择策略，优化选择精度。
图3示出根据本公开实施例筛选第二影像特征的方法流程图。其中，所述从所述第一影像特征中筛选出满足预设条件的第二影像特征，包括：
S301：基于多级特征选择策略，确定所述第二影像特征的特征项；
S302：从所述第一影像特征中筛选出所述特征项，得到所述第二影像特征。
在一些可能的实施方式中，所述基于多级特征选择策略，确定所述第二影像特征的特征项，包括：基于所述多个时刻，分别提取所述感兴趣区域的第一影像特征；基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常组织和所述异常组织的第二影像特征。具体可以预先通过多级特征选择策略确定能够精准区分正常组织和异常组织的特征项，以从第一影像特征中提取出这些特征项用于后续预后状态的预测。
具体地，本公开实施例的感兴趣区域还可以包括正常区域，在确定第二影像特征的特征项过程中，可以首先分别提取正常区域和异常区域的第一影像特征，提取正常区域的第一影像特征的过程与提取异常区域的第一影像特征的过程相同，在此不作重复说明，具体可以参照上述实施例的描述。在确定异常区域的情况下，可以将异常区域以外的脑组织区域确定为正常区域，或者也可以将异常区域的对称区域中的非病变区域确定为正常区域。本公开实施例中，通过将异常区域对称侧的正常组织确定为正常区域，一方面可以减少正常区域的参数量，提高运算效率；另一方面，由于脑具有对称的特点，通过对称方式确定正常区域可以进一步突出正常区域和异常区域之间的区别，有利于后续提取二者的区别特征。
在确定正常区域并提取出正常区域的第一影像特征的情况下，可以基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常区域和所述异常区域的第二影像特征的特征项。该过程可以包括：从所述第一影像特征中选择出满足显著性的显著特征；基于至少两种特征选择方法，从所述显著特征中筛选出满足所述特征选择方法的选择条件的第三影像特征；利用至少一种分类模型从所述第三影像特征中选择出满足分类条件的第二影像特征。
在一些可能的实施方式中，可以首先对得到的第一影像特征执行标准化处理，以减少特征本身数值跨度的影响。本公开实施例得到的第一影像特征的每一行特征表示同一患者的不同特征项的特征值，每一列表示不同患者的同一特征的特征值。在执行特征标准化时，分别针对第一影像特征的每列特征执行标准化处理，如本公开实施例的标准化处理可以为均值方差标准化，使得标准后的特征为均值为0，方差为1。在其他实施方式中，也可以将每列特征与该列特征的最大值的比值作为标准化后的特征值。而后可以利用标准化处理后的第一影像特征执行特征筛选。
在一些可能的实施方式中，本公开实施例从多种角度进行特征筛选，一方面实现高维特征的降维处理，另一方面，提高选择特征的精准度。首先，本公开实施例可以从第一影像特征中选择出显著特征，通过对正常区域和异常区域的各第一影像特征进行显著性分析，计算两组特征之间的p值(假定值)，在p值小于显著阈值的情况下，确定为该特征为显著特征。其中显著阈值为0.05，p值计算方法包括T检验，上述仅为示例性说明，不作为本公开的具体限定。另外，本公开实施例还可以计算正常区域和异常区域的第一影像特征之间的相关系数，在特征的相关系数高于系数阈值，且p值小于显著阈值的情况下，确定该特征为显著特征。其中系数阈值可以为大于0.6的数值，如0.9。
其次，本公开实施例采用多种特征选择方法执行特征选择，该多种选择方法的选择原理不同。在一个示例中，特征选择方法可以包括基于信息理论的方法、基于相似特征的方法、基于统计特征的方法以及基于稀疏特征和流特征的方法中的至少两种。基于信息理论的方法可以包括最大互信息法(MIM)、条件互信息最大化方法(CMIM)、条件互信息最大化方法(MRMR)、最佳个体特征(BIF)、互信息选择(MIFS)、联合互信息(JMI)等，以及基于相似特征的方法可以包括距离可分性测度(Fisher score算法)、拉普拉斯分数(Lap score算法)、特征权重算法(ReliefF)，基于统计特征的方法可以包括T score算法和F score算法，基于稀疏特征和流特征的方法可以包括多聚类特征选择算法(MCFS)、最小绝对收缩选择算子(Lasso)、Alpha算法。
本公开实施例可以采用至少两种上述特征选择方法对正常区域和异常区域的显著特征进行特征选择，其中Lass算法以外的特征选择方法的选择条件可以包括：最大特征数小于特征数量阈值，以及特征分数大于分数阈值，其中特征数量阈值大于10，如本公开设为20，分数阈值可以大于0.6，如本公开设为0.8。Lasso算法的选择条件为选择特征系数为非零的特征项。上述仅为示例性说明，不作为本公开的具体限定。
基于上述配置每种特征选择方法均可以对应的从显著特征中选择出一组第三影像特征。如n种特征选择方法对应的则生成n组第三影像特征。在得到第三影像特征的情况下，可以进一步利用至少一种分类模型从所述第三影像特征中选择出满足分类条件的第二影像特征。其中本公开实施例可以采用两种方式执行上述过程。
在一些可能的实施方式中，本公开实施例可以对各特征选择方法得到的第三影像特征进行组合，得到全部的第三影像特征，并利用至少一种分类模型基于全部第三影像特征执行正常区域和异常区域的分类，将满足分类条件的第三影像特征确定为第二影像特征。
具体地，本公开实施例可以利用分类模型对获得各第三影像特征的重要度，按照重要度排名得到第二影像特征。其中，利用分类模型对获得各第三影像特征的重要度的过程可以包括：将各第三影像特征单独输入到分类模型中，利用分类模型执行十折交叉验证，得到分类模型的指标，所述指标包括AUC(ROC曲线线下面积)、精度、准确度、Reall、F1中的至少两种，并利用各指标的平均值作为该特征的重要度。在包括多个分类模型的情况下，可以将各分类模型对应的重要度执行均值处理，得到最终的重要度。在得到各第三影像特征的重要度的情况下，可以按照重要度对各第三影像特征进行从高到低排名，其中，可以将重要度最高的预设数量个第三影像特征作为第二影像特征，或者也可以将重要度高于重要度阈值的第三影像特征作为第二影像特征。预设数量可以为大于5的数值，重要度阈值可以为大于0.6的数值，但不作为本公开的具体限定。
在另一些可能的实施方式中，本公开实施例可以对各特征选择方法得到的各组第三影像特征执行特征选择，选择出表现最好的一组第三影像特征作为第二影像特征。具体地，可以利用至少一种分类模型基于各组第三影像特征执行正常区域和异常区域的分类，将满足分类条件的一组或者多组第三影像特征确定为第二影像特征。其中，可以基于各组第三影像特征在分类模型上的表现，计算各组第三影像特征的评分；基于所述评分，将满足分类条件的第三影像特征确定为第二影像特征。其中可以将一组第三影像特征单独输入到分类模型中，利用分类模型执行十折交叉验证，得到分类模型的指标，所述指标包括AUC(ROC曲线线下面积)、精度、准确度、Reall、F1中的至少两种，并利用各指标的平均值作为该组第三影像特征的评分。在包括多个分类模型的情况下，可以将各分类模型对应的评分执行均值处理，得到最终的评分。在得到各组第三影像特征的评分的情况下，可以按照评分对各组第三影像特征进行从高到低排名，其中，可以将评分最高一组第三影像特征作为第二影像特征，或者也可以将评分高于评分阈值的第三影像特征作为第二影像特征。评分阈值可以为大于0.6的数值，但不作为本公开的具体限定。
本公开实施例的分类模型可以包括基于不同分类策略的机器学习模型，如可以包括基于非线性关系的支持向量机模型(SVM)、决策树模型、随机森林模型、Adaboost模型、神经网络模型、最近邻模型(KNN)、逻辑回归模型(LR)、线性辨别分析模型(DA)、梯度提升分类模型(GBDT)以及高斯朴素贝叶斯模型(NB)中的一种或多种。
另外，本公开实施例可以利用各特征选择方法得到的第三影像特征在各分类模型上的评分，得到特征选择方法的评分，并将评分最高的特征选择方法最优特征选择方法。其中，具体的，可以将各组第三影像特征的评分确定为与该组第三影像特征对应的特征选择方法的评分，或者也可以利用各组内第三影像特征的重要度的均值，确定为该组第三影像特征对应的特征选择方法的评分。
基于上述配置，本公开实施例可以利用多级特征选择策略，融合不同选择原理的选择方法，筛选出能够高度区分正常区域和异常区域的第二影像特征，提高了特征选择精度。
在确定出第二影像特征的特征项的情况下，则可以从异常区域的第一影像特征中选择出这些特征项，从而得到能够精准表达异常区域的影像特征，即第二影像特征。
进一步地，本公开实施例可以利用异常区域的第二影像特征进一步得到生存特征。所述基于所述第二影像特征得到生存特征，包括：利用生存模型预测所述第二影像特征的预后风险；基于所述预后风险确定所述生存特征。
本公开实施例可以利用第二影像特征生成输入到生存模型的输入特征。其中，输入特征可以仅包括第二影像特征，或者在一些示例中，灌注影像集中的各患者对象还关联有相应的临床文本信息，即各脑灌注影像对应有匹配的临床文本信息，此时输入特征可以为临床文本信息和第二影像特征
其中，临床文本信息包括患者的年龄、高血压病史、糖尿病病史、心颤病史、四肢灵活状态、是否昏迷、是否语言不清、出现病症的时间、是否进行了溶栓治疗和溶栓的方式、异常区域的体积及异常区域的位置等信息中的至少一种。另外，临床文本信息中还可以包括患者对象在90天后的预后评分(90day mRS)，本公开实施例以预后评分为预测目标，在获取生存特征的过程中，利用该预后评分为结局状态变量，以输入特征为特征变量，以年龄为时间变量进行生存预测，提取模型输出的生存风险值，并作为生存特征。也就是说，本公开实施例可以获取所述脑灌注影像集对应的临床文本信息，并可以利用生存模型预测在年龄情况下，第二影像特征对应的预后风险，并可以基于预后风险确定所述生存特征。
本公开实施例的生存模型可以为cox模型，利用cox模型建立输入特征和预后评分之间的线性关系，回归得到生存特征。或者在其他实时方式中，生存模型也可以为deepsurv模型，利用deepsurv模型得到输入特征和预后评分之间的非线性关系，并预测得到生存特征。在本公开一些实施例中，还将cox模型和deepsurv模型输出的生存特征执行加权和，得到最终的生存特征，其中权重均为0.5，或者也可以为其他值，本公开不做具体限定。
进一步地，本公开实施例还可以对得到的生存特征执行标准化操作，进一步优化特征分布。
本公开实施例中，在得到生存特征的情况下，可以利用第二影像特征、生存特征训练模型，得到预测模型。本公开实施例中，可以将第二影像特征与得到的生存特征组合，用于预测模型的训练，或者也可以将临床文本信息、第二影像特征以及生存特征组合，用于预测模型的训练。
或者，所述基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型，也可以包括：基于最优特征选择方法从所述第二影像特征中选择出与预后状态相关的预后特征；基于所述预后特征和所述生存特征的组合特征，训练模型，并得到用于评估预后状态的预测模型。
如上述实施例，在执行特征选择方法的过程中，可以得到各特征选择方法的评分，并将评分最高的特征选择方法确定为最优特征选择方法。在执行预测模型的训练操作之前，可以从得到的第二影像特征中选择出与预后状态相关的预后特征。本公开实施例可以利用最优特征选择方法执行该预后特征的选择操作，从而在表达异常区域的特征序列中选择出与预后状态密切相关的预后特征。在得到预后特征的情况下，可以利用预后特征和生存特征训练预测模型。
在另一实施例中，可以从第二影像特征与临床文本信息组合中选择得到预后特征，或者也可以分别从第二影像特征中选择出第一预后特征，以及从临床文本信息中选择出第二预后特征，将第一预后特征和第二预后特征进行组合，得到预后特征，从而集成文本和影像特征，提高预测精度。在得到预后特征的情况下，可以利用预后特征和生存特征训练预测模型。
在另一实施例中，也可以仅从第二影像特征中选择出预后特征，并将生存特征、预后特征以及临床文本信息组合，用于训练预测模型。
其中，本公开实施例的预测模型也可以包括基于不同分类策略的机器学习模型，如可以包括基于非线性关系的支持向量机模型(SVM)、决策树模型、随机森林模型、Adaboost模型、神经网络模型、最近邻模型(KNN)、逻辑回归模型(LR)、线性辨别分析模型(DA)、梯度提升分类模型(GBDT)以及高斯朴素贝叶斯模型(NB)中的一种或多种。其中，90day mRS可以作为学习目标，对应的预后特征可以为训练集中的特征信息，在预测模型的预测准确度大于准确度阈值的情况下，即可确定为满足训练要求，从而得到相应的预测模型，其中准确度阈值为大于0.6的数值。
在本公开的另一些实施方式中，可以利用多预测模型得到集成预测模型，集成预测模型由满足训练要求的预测模型集成得到，其可以通过满足训练要求的预测模型执行投票处理，得到最终预后状态的预测值。
基于上述配置，在本公开实施例通过从脑灌注影像的特征集合中筛选出满足预设条件的第二影像特征，并进一步获取能够体现生存信息的生存特征，利用生存特征和第二影像特征来训练预测模型，得到能够准确评估预后状态的预测模型。本公开实施例由于生存特征的引入，有效提高模型的预测精度。
另外，本公开实施例还提供了一种预后状态的风险预测方法，以实现预后状态的精准预测。
图4示出根据本公开实施例的一种预后状态的风险预测方法的流程图，其中所述预后状态的风险预测方法包括：
S100：获取脑灌注影像内感兴趣区域的第一影像特征；
S200：从所述第一影像特征中筛选出满足预设条件的第二影像特征；
S300：基于所述第二影像特征得到生存特征；
S400：利用预测模型，基于所述第二影像特征和所述生存特征预测在预设时间内的预后状态，所述预测模型上述所述的预后状态预测模型的构建方法得到。
同样地，本公开实施例可以对患者对象执行预后状态的评估预测。首先可以从患者对象的脑灌注影像的感兴趣区域(如异常区域)提取第一影像特征，该第一影像特征的提取过程可以参照预测模型的构建方法中的说明，在此不做重复。进一步地，根据第二影像特征的特征项从第一影像特征中选择出相应的特征，用于精准表达异常区域的特征。进而基于第二影像特征可以得到生存特征，其中得到第二影像特征和生存特征的过程同样可以参照上述实施方式，本公开对此不作重复说明。
在得到生存特征的情况下，可以利用第二影像特征和/或临床文本信息中选择出预后特征，并预后模型对预后特征和生存特征进行预测，得到预后状态的评分。其中，预后模型的输入特征由训练过程中的输入特征的类型确定，本公开对此不作具体限定。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了预后状态的风险预测模型的构建装置和预测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种预后状态预测模型的构建方法和预测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的预后状态预测模型的构建装置的框图，如图5所示，所述预后状态预测模型的构建装置包括：
第一获取模块10，用于获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征；
第一筛选模块20，用于从所述第一影像特征中筛选出满足预设条件的第二影像特征；
第一生存模块30，用于基于所述第二影像特征得到生存特征；
训练模块40，用于基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型。
图6示出根据本公开实施例的一种预后状态预测装置的框图，其中，所述预后状态预测装置包括：第二获取模块100，用于获取脑灌注影像内感兴趣区域的第一影像特征；第二筛选模块200，用于从所述第一影像特征中筛选出满足预设条件的第二影像特征；第二生存模块300，用于基于所述第二影像特征得到生存特征；预测模块400，用于利用预测模型，基于所述第二影像特征和所述生存特征预测在预设时间内的预后状态。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种预后状态预测模型的构建方法，其特征在于，包括：
获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征，所述感兴趣区域包括异常区域；
从所述第一影像特征中筛选出满足预设条件的第二影像特征；
基于所述第二影像特征得到生存特征；
基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型。
2.根据权利要求1所述的方法，其特征在于，所述从所述第一影像特征中筛选出满足预设条件的第二影像特征，包括：
基于多级特征选择策略，确定所述第二影像特征的特征项；
从所述第一影像特征中筛选出所述特征项，得到所述第二影像特征。
3.根据权利要求2所述的方法，其特征在于，所述感兴趣区域还包括正常区域，脑灌注影像集中的脑灌注影像包括多个时刻的脑影像；
所述基于多级特征选择策略，确定所述第二影像特征的特征项，包括：
基于所述多个时刻，分别提取所述感兴趣区域的第一影像特征；
基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常组织和所述异常组织的第二影像特征。
4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述基于所述第二影像特征得到生存特征，包括：
利用生存模型预测所述第二影像特征的预后风险；
基于所述预后风险确定所述生存特征；
和/或
所述基于所述第二影像特征得到生存特征，包括：
获取所述脑灌注影像集对应的临床文本信息，所述临床文本信息包括年龄；
利用生存模型预测在所述年龄情况下，所述第二影像特征的预后风险；
基于所述预后风险确定所述生存特征。
5.根据权利要求1所述的方法，其特征在于，所述获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征，包括：
确定所述脑灌注影像的感兴趣区域，所述感兴趣区域包括异常组织；
基于所述脑灌注影像内的多个时刻的脑影像，提取所述感兴趣区域的第一影像特征。
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：
在从所述第一影像特征中筛选出满足预设条件的第二影像特征的情况下，确定最优特征选择方法；
以及所述基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型，包括：
基于所述最优特征选择方法从所述第二影像特征中选择出与预后状态相关的预后特征；
基于所述预后特征和所述生存特征的组合特征，训练模型，并得到用于评估预后状态的预测模型；或者
所述基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型，包括：
基于所述最优特征选择方法从所述第二影像特征和临床文本信息中选择出与预后状态相关的预后特征；
基于所述预后特征和所述生存特征的组合特征，训练模型，并得到用于评估预后状态的预测模型；
或者
所述基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型，包括：
基于所述最优特征选择方法从所述第二影像特征选择出与预后状态相关的预后特征；
基于所述预后特征、临床文本特征以及所述生存特征的组合特征，训练模型，并得到用于评估预后状态的预测模型。
7.一种预后状态的风险预测方法，其特征在于，包括：
获取脑灌注影像内感兴趣区域的第一影像特征；
从所述第一影像特征中筛选出满足预设条件的第二影像特征；
基于所述第二影像特征得到生存特征；
利用预测模型，基于所述第二影像特征和所述生存特征预测在预设时间内的预后状态，所述预测模型由权利要求1-6中任意一项所述的预后状态预测模型的构建方法得到。
8.一种预后状态预测模型的构建装置，其特征在于，包括：
第一获取模块，用于获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征；
第一筛选模块，用于从所述第一影像特征中筛选出满足预设条件的第二影像特征；
第一生存模块，用于基于所述第二影像特征得到生存特征；
训练模块，用于基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型。
9.一种预后状态预测装置，其特征在于，包括：
第二获取模块，用于获取脑灌注影像内感兴趣区域的第一影像特征；
第二筛选模块，用于从所述第一影像特征中筛选出满足预设条件的第二影像特征；
第二生存模块，用于基于所述第二影像特征得到生存特征；
预测模块，用于利用预测模型，基于所述第二影像特征和所述生存特征预测在预设时间内的预后状态。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法，或者执行权利要求7所述的方法。
CN202210602307.3A 2022-05-30 2022-05-30 预测模型构建方法及装置、预测方法及装置、电子设备 Pending CN115132359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210602307.3A CN115132359A (zh) 2022-05-30 2022-05-30 预测模型构建方法及装置、预测方法及装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210602307.3A CN115132359A (zh) 2022-05-30 2022-05-30 预测模型构建方法及装置、预测方法及装置、电子设备

Publications (1)

Publication Number Publication Date
CN115132359A true CN115132359A (zh) 2022-09-30

Family

ID=83377499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210602307.3A Pending CN115132359A (zh) 2022-05-30 2022-05-30 预测模型构建方法及装置、预测方法及装置、电子设备

Country Status (1)

Country Link
CN (1) CN115132359A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116759079A (zh) * 2023-08-23 2023-09-15 首都医科大学附属北京朝阳医院 基于多特征融合的出血转化判定方法、装置、介质及终端

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116759079A (zh) * 2023-08-23 2023-09-15 首都医科大学附属北京朝阳医院 基于多特征融合的出血转化判定方法、装置、介质及终端
CN116759079B (zh) * 2023-08-23 2023-11-03 首都医科大学附属北京朝阳医院 基于多特征融合的出血转化判定方法、装置、介质及终端

Similar Documents

Publication Publication Date Title
Yap et al. Deep learning in diabetic foot ulcers detection: A comprehensive evaluation
Özyurt et al. An expert system for brain tumor detection: Fuzzy C-means with super resolution and convolutional neural network with extreme learning machine
Wu et al. Skin cancer classification with deep learning: a systematic review
CN112767329B (zh) 图像处理方法及装置、电子设备
CN113349810B (zh) 脑出血病灶识别及血肿扩大预测系统及装置
US11928825B2 (en) Unsupervised image segmentation method and electronic device
WO2021259390A2 (zh) 一种冠脉钙化斑块检测方法及装置
CN113469981B (zh) 图像处理方法、装置及存储介质
KR20220016212A (ko) 이미지 처리 방법 및 장치, 전자 기기, 저장 매체 및 프로그램 제품
CN113012816A (zh) 脑分区风险预测方法及装置、电子设备和存储介质
Islam et al. A case study of healthcare platform using big data analytics and machine learning
Desiani et al. VG-DropDNet a robust architecture for blood vessels segmentation on retinal image
CN115132359A (zh) 预测模型构建方法及装置、预测方法及装置、电子设备
CN113012146A (zh) 血管信息获取方法及装置、电子设备和存储介质
McNamara et al. Development of traumatic brain injury associated intracranial hypertension prediction algorithms: a narrative review
CN117218133A (zh) 肺图像处理方法及装置、电子设备和存储介质
CN115115826A (zh) 特征选择、提取方法及装置、异常检测模型及其构建方法
Kim et al. Development of early-stage stroke diagnosis system for the elderly neurogenic bladder prevention
CN113724188A (zh) 一种病灶图像的处理方法以及相关装置
Kan et al. Enhancing multi-channel eeg classification with gramian temporal generative adversarial networks
CN115798707A (zh) 病历处理方法、装置、存储介质与芯片
CN115761371A (zh) 医学影像分类方法、装置、存储介质及电子设备
Liu et al. Chronic Wound Image Augmentation and Assessment Using Semi-Supervised Progressive Multi-Granularity EfficientNet
CN115965785A (zh) 图像分割方法、装置、设备、程序产品及介质
US20230238151A1 (en) Determining a medical professional having experience relevant to a medical procedure

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