【技术实现步骤摘要】
本专利技术属于脑梗塞出血性转化诊断，具体涉及脑梗塞出血性转化预测模型的构建方法及预测装置、电子设备、存储介质。
技术介绍
1、脑梗塞又称缺血性脑卒中，是由短暂性或永久性的脑缺血引起的动脉狭窄或闭塞，临床表现为肢体无力、肢体麻木、失语、偏瘫等神经功能缺损症状。此病起病急骤，具有发病率高、复发率高、致残率高和致死率高等特点，位列全球死亡原因的第2位。目前缺血性脑卒中患者的重要治疗手段便是静脉rt-pa溶栓，但毫无疑问的是，溶栓治疗会增加患者的出血风险，因此控制出血性转化的危险因素、降低发生风险，在改善脑梗塞患者的预后方面举足轻重。脑梗塞出血转化(hemorrhagic transformation，ht)是脑梗塞常见并发症，是指急性脑梗塞后梗死区内继发的脑内出血，多发生在脑梗塞后1天至3周，以脑梗塞后第一周最多见。一旦发生，患者可迅速出现神经功能异常，严重者可导致偏瘫、四肢障碍、昏迷。出血部位既可以位于梗死灶内，也可以远离梗死灶部位，可分为有症状的出血转化和无症状的出血转化。脑梗塞后出血转化可导致病人病情加重，影响患者的功能康复，会进一步增加患者的致残率和死亡率而迅速死亡。因此对出血转化的检出和出血面积的评估，对指导临床治疗方案的制定及改善患者预后尤为重要。
2、脑梗塞的诊断方法，一般都是去医院进行ct检查、mri检查等；在ct检查时，显示梗死灶为低密度，可以明确病变的部位、形状及大小，及继发的脑室受压、变形及中线结构移位等情况。但起病4～6小时内，只有部分病例可见边界不清的稍低密度灶，而大部分病例要等到24小时后才能显
3、因此，有必要基于机器深度学习研究一种基于mri图像预测脑梗死出血转化的模型，为脑梗死后出血转化的防治及患者个体化管理提供理论依据，对患者的临床远期预后具有深远的影响。
技术实现思路
1、本专利技术的目的在于提出脑梗塞出血性转化预测模型的构建方法及预测装置、电子设备、存储介质，用于为脑梗死后出血转化的防治及患者个体化管理提供理论依据。
2、有鉴于此，本专利技术的方案如下：
3、本专利技术的第一个方面，提出脑梗塞出血性转化预测模型的构建方法，包括：
4、s1.获取脑梗塞mri样本并对进行出血性转化标记；
5、s2.对步骤s1处理后的样本进行图像分割得到脑梗塞区域，所述分割过程使用phtrans和u-net神经网络并取交集；
6、s3.基于编码加解码架构的cnn网络，以步骤s2完成分割的样本作为训练样本进行训练得到脑梗塞出血性转化预测模型。
7、所述预测模型使用深度学习等人工智能方法，自动化对磁共振各序列图像进行分析，预测脑梗塞病人发生出血转化的风险，据此及时调整治疗策略，从而实现个体化精准治疗，对患者的生存收益意义重大。phtrans分割是并行混合transformer和cnn，可以充分利用transformer和cnn各自的优势。联合两种图像分割方法，取其交集，宁缺毋滥，去伪存真。
8、进一步地，步骤s1中，所述出血性转化标记基于确诊脑梗塞后72小时内随访ct扫描图像进行标记，标记内容包括：是否发生出血转化、出血转化发生的区域和面积。
9、进一步地，步骤s2中，将优化改进后的u-net用于磁共振多序列图像上的脑梗塞区域分割：使用残差模块代替原来的卷积模块，实现特征充分提取，加快网络收敛速度，防止梯度消失；在每一层残差模块之前，插入空洞卷积模块(rfb)，增大感受野，减少细节丢失；在跳跃连接(skip connection)之间添加注意力机制，使网络可以自主学习区分重要信息和次要信息，使计算资源更关注分割区域，提高分割准确性，抑制噪声和无关信息，避免信息冗余，提高网络表达能力；设计了混合损失函数，解决样本不均衡问题，提高分割精度。
10、进一步地，步骤s3中，所述cnn网络使用lenet-5或mobilenetv3。
11、进一步地，步骤s3中，所述训练过程包括对预测结果进行评估，根据评估结果对所述cnn网络进行反向传播。
12、优选地，所述评估基于如下指标中的一种或多种：dice系数、hausdorff距离、准确率、特异性、灵敏度、精度、召回率和f1分数。优选使用dice系数和hausdorff距离等评估神经网络的分割性能。使用验证集数据，对训练完成的分割模型进行优化。
13、进一步地，步骤s3中，训练前对分割后的mri样本图像进行数据增强，以及非脑梗塞区域的归零化处理。
14、本专利技术的第二个方面，提出以上第一个方面所述构建方法获得的脑梗塞出血性转化预测模型。
15、本专利技术的第三个方面，提出脑梗塞出血性转化预测装置，包括：
16、样本获取单元，用于获取脑梗塞mri待测样本；
17、预测单元，用于将待测样本输入预测单元获取预测结果，预测结果包括是否有脑梗塞出血性转化，以及脑梗塞出血性转化的区域和面积；所述预测单元使用第二个方面所述的预测模型。
18、本专利技术的第四个方面，提出一种非诊断为目的预测脑梗塞出血性转化的方法，步骤包括：将待测样本输入预测模型获取预测结果，预测结果包括是否有脑梗塞出血性转化，以及脑梗塞出血性转化的区域和面积；其中：
19、所述预测模型是基于编码加解码架构的cnn网络，以标记有出血性转化标签并完成图像分割的脑梗塞mri样本作为输入样本训练得到；所述图像分割过程使用phtrans和u-net神经网络并取交集。
20、本专利技术的第五个方面，提出电子装置，包括处理器及存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第四个方面所述的方法。
21、本专利技术的第六个方面，提出计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序时实现如第四个方面所述的方法。
22、与现有技术相比，本专利技术有益效果包括但不限于：
23、本专利技术所述脑梗塞出血性转化预测模型通过结合phtrans和u-net神经网络对带有出血性标签的脑梗塞mri样本进行图像分割并取两者交集，实现roi区域的精准分割，再结合cnn深度学习方法，对传统影像组学全流程进行改造，将深度学习的前半程和影像组学的后半程衔接起来，大幅度提高分类或预测模型的准确性和可靠性。
本文档来自技高网...【技术保护点】
1.脑梗塞出血性转化预测模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的构建方法，其特征在于，步骤S1中，所述出血性转化标记基于确诊脑梗塞后72小时内随访CT扫描图像进行标记。
3.根据权利要求1所述的构建方法，其特征在于，步骤S2中，所述U-Net神经网络使用残差模块代替卷积模块，在每一层残差模块前插入空洞卷积模块，并在跳跃连接之间添加注意力机制。
4.根据权利要求1所述的构建方法，其特征在于，步骤S3中，所述CNN网络使用LeNet-5或MobilenetV3。
5.根据权利要求1所述的构建方法，其特征在于，步骤S3中，所述训练过程包括对预测结果进行评估，根据评估结果对所述CNN网络进行反向传播。
6.权利要求1-5任意一项所述构建方法获得的脑梗塞出血性转化预测模型。
7.脑梗塞出血性转化预测装置，其特征在于，包括：
8.一种非诊断为目的预测脑梗塞出血性转化的方法，其特征在于，步骤包括：将待测样本输入预测模型获取预测结果，预测结果包括是否有脑梗塞出血性转化，以及脑梗塞出血性转化的区
9.电子装置，其特征在于，包括处理器及存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求8所述的方法。
10.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求8所述的方法。
...【技术特征摘要】
1.脑梗塞出血性转化预测模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的构建方法，其特征在于，步骤s1中，所述出血性转化标记基于确诊脑梗塞后72小时内随访ct扫描图像进行标记。
3.根据权利要求1所述的构建方法，其特征在于，步骤s2中，所述u-net神经网络使用残差模块代替卷积模块，在每一层残差模块前插入空洞卷积模块，并在跳跃连接之间添加注意力机制。
4.根据权利要求1所述的构建方法，其特征在于，步骤s3中，所述cnn网络使用lenet-5或mobilenetv3。
5.根据权利要求1所述的构建方法，其特征在于，步骤s3中，所述训练过程包括对预测结果进行评估，根据评估结果对所述cnn网...
【专利技术属性】
技术研发人员：翟恒，吕银章，徐岩，刘志军，
申请(专利权)人：华中科技大学同济医学院附属协和医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。