CN117495833B - 一种基于大数据的脑卒中预测方法、系统及存储介质 - Google Patents
一种基于大数据的脑卒中预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117495833B CN117495833B CN202311530031.3A CN202311530031A CN117495833B CN 117495833 B CN117495833 B CN 117495833B CN 202311530031 A CN202311530031 A CN 202311530031A CN 117495833 B CN117495833 B CN 117495833B
- Authority
- CN
- China
- Prior art keywords
- image
- craniocerebral
- module
- pixel
- mri
- 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.)
- Active
Links
- 208000006011 Stroke Diseases 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 19
- 206010008190 Cerebrovascular accident Diseases 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000001914 filtration Methods 0.000 claims description 30
- 238000003384 imaging method Methods 0.000 claims description 18
- 210000004055 fourth ventricle Anatomy 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 5
- 230000001936 parietal effect Effects 0.000 claims description 5
- 210000000877 corpus callosum Anatomy 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000000211 third ventricle Anatomy 0.000 claims description 3
- 210000003127 knee Anatomy 0.000 claims description 2
- 210000003140 lateral ventricle Anatomy 0.000 claims description 2
- 230000000302 ischemic effect Effects 0.000 abstract description 3
- 208000032382 Ischaemic stroke Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 206010060965 Arterial stenosis Diseases 0.000 description 1
- 206010008132 Cerebral thrombosis Diseases 0.000 description 1
- 201000001429 Intracranial Thrombosis Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000004727 amygdala Anatomy 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明涉及医疗图像处理技术领域,公开了一种基于大数据的脑卒中预测方法、系统及存储介质,包括:提取参照颅脑MRI图像集和当前颅脑MRI图像集;将参照颅脑MRI图像集和当前颅脑MRI图像集合并获得综合图集;基于当前颅脑MRI图像集合中的图像单元来生成邻接矩阵;当前颅脑MRI图像集合中的图像单元的大小相同,邻接矩阵的大小为N*N,其中N为图像单元的像素数,邻接矩阵的元素值均为1;将综合图集和邻接矩阵输入预测模型中,输出表示脑卒中风险等级的值;本发明能够基于颅脑MRI图像集合预测缺血性脑卒中的发病风险。
Description
技术领域
本发明涉及医疗图像处理技术领域,更具体地说,它涉及一种基于大数据的脑卒中预测方法、系统及存储介质。
背景技术
脑卒中(Stroke)是脑中风的学名,是一种突然起病的脑血液循环障碍性疾病,又叫脑血管意外。其是指在脑血管疾病的病人,因各种诱发因素引起脑内动脉狭窄,闭塞或破裂,而造成急性脑血液循环障碍,临床上表现为一次性或永久性脑功能障碍的症状和体征。脑卒中分为缺血性脑卒中和出血性脑卒中。缺血性脑卒中由于脑动脉狭窄、闭塞、脑血栓、炎症感染等原因引发,在颅脑MRI上风险点显示不明显,通过一般的图像卷积网络难以提取用于颅脑MRI图像上用于预测缺血性脑卒中的发病风险。
发明内容
本发明提供一种基于大数据的脑卒中预测方法、系统及存储介质,用于预测缺血性脑卒中的发病风险。
本发明提供了一种基于大数据的脑卒中预测方法,包括以下步骤:
步骤S101,提取参照颅脑MRI图像集和当前颅脑MRI图像集;
步骤S102,将参照颅脑MRI图像集和当前颅脑MRI图像集合并获得综合图集;综合图集中的图像单元按照沿成像方位的顺序进行排序;
步骤S103,基于当前颅脑MRI图像集合中的图像单元来生成邻接矩阵,当前颅脑MRI图像集合中的图像单元的大小相同,邻接矩阵的大小为N*N,其中N为图像单元的像素数,邻接矩阵的元素值均为1;
步骤S104,将综合图集和邻接矩阵输入预测模型中,预测模型包括卷积模块、滤波模块、空间连接模块和全连接层,其中卷积模块的一个时间步按照顺序输入两个综合图集中的图像单元,对应的输出一个张量特征到滤波模块,滤波模块通过一个张量特征生成一个滤波器,通过滤波器对综合图集中的所有图像单元进行处理获得滤波图像;
一个滤波图像的一个通道对应一个滤波器滤波处理的结果,综合图集中第i和i+1个图像单元处理获得的滤波图像为每个像素生成一个像素特征,像素特征的一个分量对应于滤波图像的一个通道的像素值;
空间连接模块包括图连接模块和时序模块,将滤波图像的像素特征和邻接矩阵输入图连接模块,图连接模块输出像素编码特征,像素编码特征还原为多通道的编码图像,对多通道的编码图像进行1*1的卷积核的卷积获得降维图像;
时序模块一个时间步输入一个降维图像,每个时间步输出一个输出特征,输出特征输入全连接层,全连接层输出表示脑卒中风险等级的值。
进一步地,参照颅脑MRI图像集和当前颅脑MRI图像集均是一组图像,并且采集时患者的体位相同,采集的成像方位相同。
进一步地,横轴位的一组颅脑MRI图像包括经顶骨轴位切面图像、经上矢状窦轴位切面图像、经中央旁小叶上部轴位切面图像、经中央旁小叶下部轴位切面图像、经半卵圆中心轴位切面图像、经扣带回轴位切面图像、经侧脑室体部轴位切面图像、经胼胝体膝部轴位切面图像、经室间孔轴位切面图像、经第三脑室轴位切面图像、经大脑脚轴位切面图像、经脑桥轴位切面图像、经海绵窦轴位切面图像、经第四脑室中央轴位切面图像、经第四脑室下部轴位切面图像、经第四脑室侧孔轴位切面图像、经第四脑室正中孔轴位切面图像、经下颌头轴位切面图像、经小脑扁桃体轴位切面图像、经枕骨大孔轴位切面图像。
进一步地,脑卒中风险等级包括一级、二级、三级和四级。
进一步地,卷积模块的计算公式如下:
R(0)=E(1)
i(t)=σ(Wii∴E(t)+WriR(t-1)+bri )
f(t)=σ(Wif∴E(t)+WrfR(t-1)+brf )
g(t)=tanh(Wig∴E(t)+WrgR(t-1)+brg )
o(t)=σ(Wio∴E(t)+WroR(t-1)+bro )
v(t)=f(t)*v(t-1)+i(t)*g(t)
R(t)=o(t)⊙tanh(v(t))
其中E(t)表示第t个时间步输入的综合图集中的图像单元,R(t)表示第t个时间步的输出特征图;⊙表示点积,∴表示卷积,Wii、Wif、Wig、Wio表示卷积核参数,Wri、Wrf、Wrg、Wro表示权重参数,bri、brf、brg、bro表示偏置参数。
进一步地,图连接模块的计算公式如下:
H(0)=X(1)
u(t)=σ(WuG[X(t)]+WuG[H(t-1)]+bu)
r(t)=σ(WrG[X(t)]+WrG[H(t-1)]+br)
C(t)=tanh(WcG[X(t)]+WcG[r(t)⊙H(t-1)]+bc)
H(t)=(1-u(t))⊙C(t)+u(t)⊙H(t-1)
其中X(t)表示第t个时间步输入的像素特征矩阵,像素特征矩阵的第i个行向量表示滤波图像的第i个像素的像素特征;表示邻接矩阵与单位矩阵的和,/>表示/>的度矩阵,H(t)表示第t个时间步的像素编码特征矩阵,像素编码特征矩阵的第i个行向量表示滤波图像的第i个像素的像素编码特征;⊙表示点积,W、Wu、Wr、Wc表示权重参数,bu、br、bc表示偏置参数。
进一步地,时序模块的计算公式如下:
Z(0)=Y(1)
a(t)=σ(WaY(t)+WaZ(t-1)+ba)
b(t)=σ(WbY(t)+WbZ(t-1)+bb)
D(t)=tanh(WdY(t)+Wdr(t)⊙Z(t-1)+bd)
Z(t)=(1-a(t))⊙D(t)+a(t)⊙Z(t-1)
其中Y(t)表示第t个时间步输入的降维图像;H(t)表示第t个时间步的输出特征;⊙表示点积,Wa、Wb、Wd表示权重参数,ba、bb、bd表示偏置参数。
进一步地,卷积模块进行独立训练,卷积模块训练时需要连接滤波模块,以同一时间段存在成像方位差或患者体位差的两个颅脑MRI图像集作为训练样本,或者以不同时间段的相同成像方位和患者体位的两个颅脑MRI图像集作为训练样本,以两个颅脑MRI图像集对应的图像单元的滤波图像之间的差的均值作为损失。
本发明提供了一种基于大数据的脑卒中预测系统,包括:
图像提取模块,提取参照颅脑MRI图像集和当前颅脑MRI图像集;
图集生成模块,将参照颅脑MRI图像集和当前颅脑MRI图像集合并获得综合图集;
邻接矩阵生成模块,基于当前颅脑MRI图像集合中的图像单元来生成邻接矩阵;
预测模块,将综合图集和邻接矩阵输入预测模型中,预测模型包括卷积模块、滤波模块、空间连接模块和全连接层,其中卷积模块的一个时间步按照顺序输入两个综合图集中的图像单元,对应的输出一个张量特征到滤波模块,滤波模块通过一个张量特征生成一个滤波器,通过滤波器对综合图集中的所有图像单元进行处理获得滤波图像;
一个滤波图像的一个通道对应一个滤波器滤波处理的结果,综合图集中第i和i+1个图像单元处理获得的滤波图像为每个像素生成一个像素特征,像素特征的一个分量对应于滤波图像的一个通道的像素值;
空间连接模块包括图连接模块和时序模块,将滤波图像的像素特征和邻接矩阵输入图连接模块,图连接模块输出像素编码特征,像素编码特征还原为多通道的编码图像,对多通道的编码图像进行1*1的卷积核的卷积获得降维图像;
时序模块一个时间步输入一个降维图像,每个时间步输出一个输出特征,输出特征输入全连接层,全连接层输出表示脑卒中风险等级的值。
本发明提供了一种存储介质,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行前述的一种基于大数据的脑卒中预测方法中的步骤。
附图说明
图1是本发明的一种基于大数据的脑卒中预测方法的流程图;
图2是本发明的一种基于大数据的脑卒中预测系统的模块示意图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
本发明的至少一个实施例中提供一种基于大数据的脑卒中预测方法,如图1所示,包括以下步骤:
步骤S101,提取参照颅脑MRI图像集和当前颅脑MRI图像集;
参照颅脑MRI图像集的采集时间早于当前颅脑MRI图像集的采集时间,二者采集的时间间隔能够一定程度上体现病因的发展或出现;
采集的时间间隔可以是一个月或半年或一年以上。
参照颅脑MRI图像集和当前颅脑MRI图像集均是一组图像,并且采集时患者的体位相同,采集的成像方位相同,一般来说横轴位的一组颅脑MRI图像包括经顶骨轴位切面图像、经上矢状窦轴位切面图像、经中央旁小叶上部轴位切面图像、经中央旁小叶下部轴位切面图像、经半卵圆中心轴位切面图像、经扣带回轴位切面图像、经侧脑室体部轴位切面图像、经胼胝体膝部轴位切面图像、经室间孔轴位切面图像、经第三脑室轴位切面图像、经大脑脚轴位切面图像、经脑桥轴位切面图像、经海绵窦轴位切面图像、经第四脑室中央轴位切面图像、经第四脑室下部轴位切面图像、经第四脑室侧孔轴位切面图像、经第四脑室正中孔轴位切面图像、经下颌头轴位切面图像、经小脑扁桃体轴位切面图像、经枕骨大孔轴位切面图像。
步骤S102,将参照颅脑MRI图像集和当前颅脑MRI图像集合并获得综合图集;
综合图集中的图像单元按照沿成像方位的顺序进行排序;
由于综合图集包含了参照颅脑MRI图像集和当前颅脑MRI图像集合,排序时参照颅脑MRI图像集的图像单元排列于当前颅脑MRI图像集合的图像单元之前;
例如经顶骨轴位切面图像对应的参照颅脑MRI图像集的图像单元排列于首位,经顶骨轴位切面图像对应的当前颅脑MRI图像集合的图像单元排列于第二位;
步骤S103,基于当前颅脑MRI图像集合中的图像单元来生成邻接矩阵,当前颅脑MRI图像集合中的图像单元的大小相同,邻接矩阵的大小为N*N,其中N为图像单元的像素数,邻接矩阵的元素值均为1;
MRI图像由核磁共振信号转化的图像,一般来说是单通道的灰度图像。
步骤S104,将综合图集和邻接矩阵输入预测模型中,预测模型包括卷积模块、滤波模块、空间连接模块和全连接层,其中卷积模块的一个时间步按照顺序输入两个综合图集中的图像单元,对应的输出一个张量特征到滤波模块,滤波模块通过一个张量特征生成一个滤波器,通过滤波器对综合图集中的所有图像单元进行处理获得滤波图像;
一个滤波图像的一个通道对应一个滤波器滤波处理的结果,综合图集中第i和i+1个图像单元处理获得的滤波图像为每个像素生成一个像素特征,像素特征的一个分量对应于滤波图像的一个通道的像素值;
空间连接模块包括图连接模块和时序模块,将滤波图像的像素特征和邻接矩阵输入图连接模块,图连接模块输出像素编码特征,像素编码特征还原为多通道的编码图像,对多通道的编码图像进行1*1的卷积核的卷积获得降维图像;
时序模块一个时间步输入一个降维图像,每个时间步输出一个输出特征,输出特征输入全连接层,全连接层输出表示脑卒中风险等级的值。
脑卒中风险等级包括一级、二级、三级和四级,一级表示风险最高,一级表示可能需要手术治疗,二级风险中等,表示可能需要药物辅助治疗,三级表示低风险,注意生活饮食习惯即可,四级表示基本无风险。
滤波图像的通道数等于滤波器的数量。
在本发明的一个实施例中,卷积模块的计算公式如下:
R(0)=E(1)
i(t)=σ(Wii∴E(t)+WriR(t-1)+bri)
f(t)=σ(Wif∴E(t)+WrfR(t-1)+brf)
g(t)=tanh(Wig∴E(t)+WrgR(t-1)+brg)
o(t)=σ(Wio∴E(t)+WroR(t-1)+bro)
v(t)=f(t)*v(t-1)+i(t)*g(t)
R(t)=o(t)⊙tanh(v(t))
其中E(t)表示第t个时间步输入的综合图集中的图像单元,R(t)表示第t个时间步的输出特征图;⊙表示点积,∴表示卷积,Wii、Wif、Wig、Wio表示卷积核参数,Wri、Wrf、Wrg、Wro表示权重参数,bri、brf、brg、bro表示偏置参数。输出特征图张量化为张量特征,张量化的方法是将输出特征图的行向量按照顺序拼接。
在本发明的一个实施例中,图连接模块的计算公式如下:
H(0)=X(1)
u(t)=σ(WuG[X(t)]+WuG[H(t-1)]+bu)
r(t)=σ(WrG[X(t)]+WrG[H(t-1)]+br)
C(t)=tanh(WcG[X(t)]+WcG[r(t)⊙H(t-1)]+bc)
H(t)=(1-u(t))⊙C(t)+u(t)⊙H(t-1)
其中X(t)表示第t个时间步输入的像素特征矩阵,像素特征矩阵的第i个行向量表示滤波图像的第i个像素的像素特征;表示邻接矩阵与单位矩阵的和,/>表示/>的度矩阵,H(t)表示第t个时间步的像素编码特征矩阵,像素编码特征矩阵的第i个行向量表示滤波图像的第i个像素的像素编码特征;⊙表示点积,W、Wu、Wr、Wc表示权重参数,bu、br、bc表示偏置参数;
在本发明的一个实施例中,时序模块的计算公式如下:
Z(0)=Y(1)
a(t)=σ(WaY(t)+WaZ(t-1)+ba)
b(t)=σ(WbY(t)+WbZ(t-1)+bb)
D(t)=tanh(WdY(t)+Wdr(t)⊙Z(t-1)+bd)
Z(t)=(1-a(t))⊙D(t)+a(t)⊙Z(t-1)
其中Y(t)表示第t个时间步输入的降维图像;H(t)表示第t个时间步的输出特征;⊙表示点积,Wa、Wb、Wd表示权重参数,ba、bb、bd表示偏置参数。
在本发明的一个实施例中,卷积模块进行独立训练,卷积模块训练时需要连接滤波模块,以同一时间段存在成像方位差或患者体位差的两个颅脑MRI图像集作为训练样本,或者以不同时间段的相同成像方位和患者体位的两个颅脑MRI图像集作为训练样本,以两个颅脑MRI图像集对应的图像单元的滤波图像之间的差的均值作为损失;
两个滤波图像之间的差以滤波图像的对应的像素值的差值的均值来计算;
损失值为两个颅脑MRI图像集对应的图像单元的滤波图像之间的差的均值。
独立的训练是为了使卷积模块配合滤波模块具有校正成像方位差或患者体位差或生物时间差的性能。
同一时间段存在成像方位差或患者体位差的两个颅脑MRI图像集作为训练样本中的成像方位差或患者体位差的差别不大,例如对于成像方位差的成像方位的夹角小于10°,人为的模仿不同设备之间的成像方位的微差。
对于患者体位差同样如此。
这是由于本发明采用的是不同时间段的参照颅脑MRI图像集和当前颅脑MRI图像集,这两个颅脑MRI图像集可能来源于不同的设备,存在设备导致的实际成像方位差,而且实际采集的情况也可能会出现患者的体位差,进行对比时参照颅脑MRI图像集和当前颅脑MRI图像集的对应的图像单元同一个像素位可能映照的是不同体素或同一体素的不同方位,造成图像的特征对比的误差。卷积模块的目标主要是为了消除这样的影响。
在本发明的一个实施例中,空间连接模块和全连接层联合进行训练。
本发明的至少一个实施例中提供一种基于大数据的脑卒中预测系统,如图2所示,包括:
图像提取模块201,提取参照颅脑MRI图像集和当前颅脑MRI图像集;
图集生成模块202,将参照颅脑MRI图像集和当前颅脑MRI图像集合并获得综合图集;
邻接矩阵生成模块203,基于当前颅脑MRI图像集合中的图像单元来生成邻接矩阵;
预测模块204,将综合图集和邻接矩阵输入预测模型中,预测模型包括卷积模块、滤波模块、空间连接模块和全连接层,其中卷积模块的一个时间步按照顺序输入两个综合图集中的图像单元,对应的输出一个张量特征到滤波模块,滤波模块通过一个张量特征生成一个滤波器,通过滤波器对综合图集中的所有图像单元进行处理获得滤波图像;
一个滤波图像的一个通道对应一个滤波器滤波处理的结果,综合图集中第i和i+1个图像单元处理获得的滤波图像为每个像素生成一个像素特征,像素特征的一个分量对应于滤波图像的一个通道的像素值;
空间连接模块包括图连接模块和时序模块,将滤波图像的像素特征和邻接矩阵输入图连接模块,图连接模块输出像素编码特征,像素编码特征还原为多通道的编码图像,对多通道的编码图像进行1*1的卷积核的卷积获得降维图像;
时序模块一个时间步输入一个降维图像,每个时间步输出一个输出特征,输出特征输入全连接层,全连接层输出表示脑卒中风险等级的值。
本发明提供一种存储介质,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行前述的一种基于大数据的脑卒中预测方法中的步骤。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (10)
1.一种基于大数据的脑卒中预测方法,其特征在于,包括以下步骤:
步骤S101,提取参照颅脑MRI图像集和当前颅脑MRI图像集;
步骤S102,将参照颅脑MRI图像集和当前颅脑MRI图像集合并获得综合图集;综合图集中的图像单元按照沿成像方位的顺序进行排序;
步骤S103,基于当前颅脑MRI图像集合中的图像单元来生成邻接矩阵,当前颅脑MRI图像集合中的图像单元的大小相同,邻接矩阵的大小为N*N,其中N为图像单元的像素数,邻接矩阵的元素值均为1;
步骤S104,将综合图集和邻接矩阵输入预测模型中,预测模型包括卷积模块、滤波模块、空间连接模块和全连接层,其中卷积模块的一个时间步按照顺序输入综合图集中的两个图像单元,对应的输出一个张量特征到滤波模块,滤波模块通过一个张量特征生成一个滤波器,通过滤波器对综合图集中的所有图像单元进行处理获得滤波图像;
一个滤波图像的一个通道对应一个滤波器滤波处理的结果,综合图集中第i和i+1个图像单元处理获得的滤波图像为每个像素生成一个像素特征,像素特征的一个分量对应于滤波图像的一个通道的像素值;
空间连接模块包括图连接模块和时序模块,将滤波图像的像素特征和邻接矩阵输入图连接模块,图连接模块输出像素编码特征,像素编码特征还原为多通道的编码图像,对多通道的编码图像进行1*1的卷积核的卷积获得降维图像;
时序模块一个时间步输入一个降维图像,每个时间步输出一个输出特征,输出特征输入全连接层,全连接层输出表示脑卒中风险等级的值。
2.根据权利要求1所述的一种基于大数据的脑卒中预测方法,其特征在于,参照颅脑MRI图像集和当前颅脑MRI图像集均是一组图像,并且采集时患者的体位相同,采集的成像方位相同。
3.根据权利要求1所述的一种基于大数据的脑卒中预测方法,其特征在于,横轴位的一组颅脑MRI图像包括经顶骨轴位切面图像、经上矢状窦轴位切面图像、经中央旁小叶上部轴位切面图像、经中央旁小叶下部轴位切面图像、经半卵圆中心轴位切面图像、经扣带回轴位切面图像、经侧脑室体部轴位切面图像、经胼胝体膝部轴位切面图像、经室间孔轴位切面图像、经第三脑室轴位切面图像、经大脑脚轴位切面图像、经脑桥轴位切面图像、经海绵窦轴位切面图像、经第四脑室中央轴位切面图像、经第四脑室下部轴位切面图像、经第四脑室侧孔轴位切面图像、经第四脑室正中孔轴位切面图像、经下颌头轴位切面图像、经小脑扁桃体轴位切面图像、经枕骨大孔轴位切面图像。
4.根据权利要求1所述的一种基于大数据的脑卒中预测方法,其特征在于,脑卒中风险等级包括一级、二级、三级和四级。
5.根据权利要求1所述的一种基于大数据的脑卒中预测方法,其特征在于,卷积模块的计算公式如下:
R(0)=E(1);
i(t)=σ(Wii∴E(t)+WriR(t-1)+bri);
f(t)=σ(Wif∴E(t)+WrfR(t-1)+brf);
g(t)=tanh(Wig∴E(t)+WrgR(t-1)+brg);
o(t)=σ(Wio∴E(t)+WroR(t-1)+bro);
v(t)=f(t)*v(t-1)+i(t)*g(t);
R(t)=o(t)⊙tanh(v(t));
其中E(t)表示第t个时间步输入的综合图集中的图像单元,R(t)表示第t个时间步的输出特征图;⊙表示点积,∴表示卷积,Wii、Wif、Wig、Wio表示卷积核参数,Wri、Wrf、Wrg、Wro表示权重参数,bri、brf、brg、bro表示偏置参数,v(t)和v(t-1)分别表示t和t-1时刻的细胞状态。
6.根据权利要求1所述的一种基于大数据的脑卒中预测方法,其特征在于,图连接模块的计算公式如下:
H(0)=X(1);
u(t)=σ(WuG[X(t)]+WuG[H(t-1)]+bu);
r(t)=σ(WrG[X(t)]+WrG[H(t-1)]+br);
H(t)=(1-u(t))⊙C(t)+u(t)⊙H(t-1);
其中X(t)表示第t个时间步输入的像素特征矩阵,像素特征矩阵的第i个行向量表示滤波图像的第i个像素的像素特征;表示邻接矩阵与单位矩阵的和,/>表示/>的度矩阵,H(t)表示第t个时间步的像素编码特征矩阵,像素编码特征矩阵的第i个行向量表示滤波图像的第i个像素的像素编码特征;⊙表示点积,W、Wu、Wr、Wc表示权重参数,bu、br、bc表示偏置参数。
7.根据权利要求1所述的一种基于大数据的脑卒中预测方法,其特征在于,时序模块的计算公式如下:
Z(0)=Y(1);
a(t)=σ(WaY(t)+WaZ(t-1)+ba);
b(t)=σ(WbY(t)+WbZ(t-1)+bb);
D(t)=tanh(WdY(t)+Wdb(t)⊙Z(t-1)+bd);
Z(t)=(1-a(t))⊙D(t)+a(t)⊙Z(t-1);
其中Y(t)表示第t个时间步输入的降维图像;Z(t)表示第t个时间步的输出特征,Z(t-1)表示第t-1个时间步的输出特征,Z(0)表示启动时间步循环的初始值;⊙表示点积,Wa、Wb、Wd表示权重参数,ba、bb、bd表示偏置参数。
8.根据权利要求1或5所述的一种基于大数据的脑卒中预测方法,其特征在于,卷积模块进行独立训练,卷积模块训练时需要连接滤波模块,以同一时间段存在成像方位差或患者体位差的两个颅脑MRI图像集作为训练样本,或者以不同时间段的相同成像方位和患者体位的两个颅脑MRI图像集作为训练样本,以两个颅脑MRI图像集对应的图像单元的滤波图像之间的差的均值作为损失。
9.一种基于大数据的脑卒中预测系统,其特征在于,其用于执行如权利要求1-8任一所述的一种基于大数据的脑卒中预测方法,包括:
图像提取模块,提取参照颅脑MRI图像集和当前颅脑MRI图像集;
图集生成模块,将参照颅脑MRI图像集和当前颅脑MRI图像集合并获得综合图集;
邻接矩阵生成模块,基于当前颅脑MRI图像集合中的图像单元来生成邻接矩阵;
预测模块,将综合图集和邻接矩阵输入预测模型中,预测模型包括卷积模块、滤波模块、空间连接模块和全连接层,其中卷积模块的一个时间步按照顺序输入综合图集中的两个图像单元,对应的输出一个张量特征到滤波模块,滤波模块通过一个张量特征生成一个滤波器,通过滤波器对综合图集中的所有图像单元进行处理获得滤波图像;
一个滤波图像的一个通道对应一个滤波器滤波处理的结果,综合图集中第i和i+1个图像单元处理获得的滤波图像为每个像素生成一个像素特征,像素特征的一个分量对应于滤波图像的一个通道的像素值;
空间连接模块包括图连接模块和时序模块,将滤波图像的像素特征和邻接矩阵输入图连接模块,图连接模块输出像素编码特征,像素编码特征还原为多通道的编码图像,对多通道的编码图像进行1*1的卷积核的卷积获得降维图像;
时序模块一个时间步输入一个降维图像,每个时间步输出一个输出特征,输出特征输入全连接层,全连接层输出表示脑卒中风险等级的值。
10.一种存储介质,其特征在于,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行如权利要求1-8任一所述的一种基于大数据的脑卒中预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311530031.3A CN117495833B (zh) | 2023-11-16 | 2023-11-16 | 一种基于大数据的脑卒中预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311530031.3A CN117495833B (zh) | 2023-11-16 | 2023-11-16 | 一种基于大数据的脑卒中预测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117495833A CN117495833A (zh) | 2024-02-02 |
CN117495833B true CN117495833B (zh) | 2024-05-28 |
Family
ID=89677961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311530031.3A Active CN117495833B (zh) | 2023-11-16 | 2023-11-16 | 一种基于大数据的脑卒中预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495833B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012020211A1 (en) * | 2010-08-12 | 2012-02-16 | King's College London | Method and system for parameter determination from medical imagery |
CN110537193A (zh) * | 2018-10-24 | 2019-12-03 | 阿里巴巴集团控股有限公司 | 卷积神经网络的快速计算 |
WO2022060250A1 (ru) * | 2020-09-18 | 2022-03-24 | ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" | Способ выявления депрессии, эпилепсии или шизофренического расстройства |
CN115828990A (zh) * | 2022-11-03 | 2023-03-21 | 辽宁大学 | 融合自适应图扩散卷积网络的时空图节点属性预测方法 |
CN117036793A (zh) * | 2023-07-31 | 2023-11-10 | 复旦大学 | 一种基于pet影像多尺度特征的脑龄评估方法及装置 |
-
2023
- 2023-11-16 CN CN202311530031.3A patent/CN117495833B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012020211A1 (en) * | 2010-08-12 | 2012-02-16 | King's College London | Method and system for parameter determination from medical imagery |
CN110537193A (zh) * | 2018-10-24 | 2019-12-03 | 阿里巴巴集团控股有限公司 | 卷积神经网络的快速计算 |
WO2022060250A1 (ru) * | 2020-09-18 | 2022-03-24 | ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "СберМедИИ" | Способ выявления депрессии, эпилепсии или шизофренического расстройства |
CN115828990A (zh) * | 2022-11-03 | 2023-03-21 | 辽宁大学 | 融合自适应图扩散卷积网络的时空图节点属性预测方法 |
CN117036793A (zh) * | 2023-07-31 | 2023-11-10 | 复旦大学 | 一种基于pet影像多尺度特征的脑龄评估方法及装置 |
Non-Patent Citations (1)
Title |
---|
"NBS-Predict: A prediction-based extension of the network-based statistic";Emin Serin et al;《NeuroImage》;20211231;第1-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117495833A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110522448B (zh) | 一种基于图卷积神经网络的脑网络分类方法 | |
CN109584164B (zh) | 基于二维影像迁移学习的医学图像超分辨率三维重建方法 | |
Meier et al. | Left frontotemporal effective connectivity during semantic feature judgments in patients with chronic aphasia and age-matched healthy controls | |
CN111461233A (zh) | 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置 | |
WO2024083058A1 (zh) | 一种大脑纤维束异常区域精准定位系统 | |
CN112700876A (zh) | 一种包含高阶信息的脑功能网络构建方法 | |
CN110060225A (zh) | 一种基于快速有限剪切波变换与稀疏表示的医学图像融合法 | |
Abrams et al. | Intrinsic functional architecture of the human speech processing network | |
Varela-López et al. | Cognitive reserve, neurocognitive performance, and high-order resting-state networks in cognitively unimpaired aging | |
CN117495833B (zh) | 一种基于大数据的脑卒中预测方法、系统及存储介质 | |
CN116309524A (zh) | 基于深度学习的心脏磁共振电影成像伪影抑制方法和系统 | |
Zhu et al. | The distinct disrupted plasticity in structural and functional network in mild stroke with basal ganglia region infarcts | |
US7734337B2 (en) | Apparatus for measuring brain local activity | |
CN116051545B (zh) | 一种双模态影像的脑龄预测方法 | |
CN112837807B (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
US20230022257A1 (en) | Determination of white-matter neurodegenerative disease biomarkers | |
Xu et al. | A Multi-scale Attention-based Convolutional Network for Identification of Alzheimer's Disease based on Hippocampal Subfields | |
CN113888556A (zh) | 一种基于差分注意力的视网膜血管图像分割方法及系统 | |
CN112716477B (zh) | 一种模块化大脑功能连接网络的估计方法 | |
Feng et al. | Variational Autoencoders for Generating Synthetic Tractography-Based Bundle Templates in a Low-Data Setting | |
CN115375665B (zh) | 一种基于深度学习策略的早期阿尔兹海默症发展预测方法 | |
CN110559003A (zh) | 基于改进U-Net模型的脑神经性慢性疾病的诊断方法 | |
CN113068035B (zh) | 一种基于深度神经网络的自然场景重建的方法 | |
Lu et al. | An Alzheimer's disease classification method based on ConvNeXt | |
Prisilla et al. | Automatic Detection of Lumbar Disc Herniation Using YOLOv7 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |