CN116721771B - 一种出血转化风险判定方法、装置、存储介质及终端 - Google Patents
一种出血转化风险判定方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN116721771B CN116721771B CN202311009899.9A CN202311009899A CN116721771B CN 116721771 B CN116721771 B CN 116721771B CN 202311009899 A CN202311009899 A CN 202311009899A CN 116721771 B CN116721771 B CN 116721771B
- Authority
- CN
- China
- Prior art keywords
- bleeding
- transformation
- matrix
- target object
- image
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 173
- 230000000740 bleeding effect Effects 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000011159 matrix material Substances 0.000 claims abstract description 179
- 230000004927 fusion Effects 0.000 claims abstract description 66
- 230000002490 cerebral effect Effects 0.000 claims abstract description 64
- 208000006011 Stroke Diseases 0.000 claims abstract description 63
- 206010008190 Cerebrovascular accident Diseases 0.000 claims abstract description 38
- 238000006243 chemical reaction Methods 0.000 claims abstract description 28
- 230000002008 hemorrhagic effect Effects 0.000 claims description 54
- 102000056548 Member 3 Solute Carrier Family 12 Human genes 0.000 claims description 51
- 108091006623 SLC12A3 Proteins 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 29
- 239000008280 blood Substances 0.000 claims description 27
- 210000004369 blood Anatomy 0.000 claims description 27
- 230000003727 cerebral blood flow Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 206010061216 Infarction Diseases 0.000 claims description 17
- 230000007574 infarction Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 12
- 230000000302 ischemic effect Effects 0.000 claims description 11
- 206010008118 cerebral infarction Diseases 0.000 claims description 10
- 208000026106 cerebrovascular disease Diseases 0.000 claims description 10
- 210000004556 brain Anatomy 0.000 claims description 8
- 230000017531 blood circulation Effects 0.000 claims description 7
- 208000028867 ischemia Diseases 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 10
- 208000032843 Hemorrhage Diseases 0.000 description 119
- 208000034158 bleeding Diseases 0.000 description 119
- 238000003384 imaging method Methods 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000002872 contrast media Substances 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 206010069729 Collateral circulation Diseases 0.000 description 3
- 230000010412 perfusion Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000002537 thrombolytic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 206010065559 Cerebral arteriosclerosis Diseases 0.000 description 1
- 206010058314 Dysplasia Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008499 blood brain barrier function Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000001218 blood-brain barrier Anatomy 0.000 description 1
- 230000008344 brain blood flow Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 201000005851 intracranial arteriosclerosis Diseases 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 230000007654 ischemic lesion Effects 0.000 description 1
- 210000003657 middle cerebral artery Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007658 neurological function Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种出血转化风险判定方法、装置、存储介质及终端,方法包括:根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征;将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵;将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值;在出血转化风险值大于等于预设阈值的情况下,判定目标对象存在出血转化风险。本申请根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征进行特征融合,由于不同特征在预测出血转化时的重要性不同,而融合特征中既包含了宏观特征,也包含了微观特征,融合特征的丰富性提升了出血转化风险判断准确度。
Description
技术领域
本申请涉及智慧医疗技术领域以及图像处理领域,特别涉及一种出血转化风险判定方法、装置、存储介质及终端。
背景技术
脑梗死的出血转化,指的是在脑梗死发生以后,在梗死的脑组织区发生了渗血,这种情况称之为出血转化。对于发生出血转化的脑梗死患者,脑动脉硬化比较重,相对于没有发生出血转化的脑梗死患者,有出血转化的患者病情更重,治疗的难度更大,需要及时采取不同的处理方案以及用药规则。
现有技术中对于出血转化的预测通常依据一些相关的临床研究来决定,例如譬如年龄、血糖、发病时的临床神经功能等。同时也会有相关的临床评分表来辅助临床医生对出血转化的可能性进行预判。由于上述方式数据单一以及掺杂人为经验,在数据不准确或者经验不足的情况下,可能会出现误判,从而降低了出血转化风险判断准确度。
发明内容
本申请实施例提供了一种出血转化风险判定方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种出血转化风险判定方法,方法包括:
根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征;
将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵;
将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值;
在出血转化风险值大于等于预设阈值的情况下,判定目标对象存在出血转化风险。
可选的,CT影像数据包括CTP影像、CTA影像以及NCCT影像;
根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征,包括:
获取目标对象的CTP影像、CTA影像以及NCCT影像;
根据NCCT影像,计算ASPECTS评分;
根据CTA影像,计算Tan评分;
根据CTP影像,分析目标对象的脑血容量、脑血流量以及最大达峰时间;
根据ASPECTS评分、Tan评分、目标对象的脑血容量、脑血流量以及最大达峰时间,生成宏观的脑卒中特征;
根据CTP影像、CTA影像以及NCCT影像,生成微观的影像组学特征。
可选的,根据ASPECTS评分、Tan评分、目标对象的脑血容量、脑血流量以及最大达峰时间,生成宏观的脑卒中特征,包括:
根据脑血容量、脑血流量以及最大达峰时间,计算梗死区内相对脑平均血流量小于预设百分比的第一区域体积、缺血区内最大达峰时间大于第一预设时长的第二区域体积以及最大达峰时间大于第二预设时长的第三区域体积;
将ASPECTS评分、Tan评分、第一区域体积、第二区域体积以及第三区域体积作为宏观的脑卒中特征。
可选的,根据CTP影像、CTA影像以及NCCT影像,生成微观的影像组学特征,包括:
分别在NCCT影像、CTA影像、CTP影像的梗死区和缺血区内提取灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵;
根据灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵计算角二阶矩、熵、对比度、逆差距和相关度,得到微观的影像组学特征。
可选的,将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵,包括:
将ASPECTS评分除以最大分数10,得到标准ASPECTS评分;
将Tan评分除以最大分数3,得到标准Tan评分;
将第一区域体积、第二区域体积以及第三区域体积除以预设脑掩膜体积,得到3个标准区域体积;
将标准ASPECTS评分、标准Tan评分以及3个标准区域体积组合为N×5×1大小的矩阵;
将N×5×1大小的矩阵进行维度扩充,得到N×5×5大小的矩阵;
将灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵及其二阶矩、熵、对比度、逆差距和相关度处理成N×9×5大小的矩阵;
将N×5×5大小的矩阵与N×9×5大小的矩阵合并为N×14×5大小的矩阵;
将N×14×5大小的矩阵通过主成分分析法进行降维,得到N×14大小的矩阵;
将N×14大小的矩阵作为目标对象的特征融合矩阵。
可选的,预先训练的出血转化风险判定模型包括贡献度计算层、类型匹配层、风险值确定层以及参数输出层;
将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值,包括:
贡献度计算模块对N×14大小的矩阵进行编码,以提取各个属性的序列特征,以及根据各个属性的序列特征计算各个属性对出血转化的贡献度;
类型匹配模块加载预先生成的属性贡献度和出血转化类型的映射关系,并在映射关系中匹配每个贡献度对应的目标血转化类型;
风险值确定模块根据每个贡献度对应的目标血转化类型确定出存在出血转化的类型数量,并将存在出血转化的类型数量与各个属性的总数量的比值作为目标对象对应的出血转化风险值;
参数输出模块输出目标对象对应的出血转化风险值。
可选的,根据各个属性的序列特征计算各个属性对出血转化的贡献度,包括:
根据第一属性的特征序列,量化出第一属性的特征向量集合;第一属性为各个属性中任意一个属性;
初始化预先建立的出血转化计算函数;
根据第一属性的特征向量集合与初始化后的出血转化计算函数,计算出第一属性对出血转化的贡献度;其中,
出血转化计算函数为:
其中,是第一属性,F()为贡献度计算函数接口,/>是第一属性的特征向量集合,/>分别是CTP影像、CTA影像以及NCCT影像中脑梗死区域的每个像素位置的横坐标和纵坐标,/>是预设集合总数量,W,H分别是CTP影像、CTA影像以及NCCT影像的宽度和高度;x为自变量,i为多项式函数阶,/>为每阶系数,/>为多项式函数阶数。
第二方面,本申请实施例提供了一种出血转化风险判定装置,装置包括:
特征构建模块,用于根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征;
特征融合模块,用于将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵;
模型处理模块,用于将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值;
出血转化风险判定模块,用于在出血转化风险值大于等于预设阈值的情况下,判定目标对象存在出血转化风险。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种终端,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,出血转化风险判定装置首先根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征,然后将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵,其次将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值,最后在出血转化风险值大于等于预设阈值的情况下,判定目标对象存在出血转化风险。本申请根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征进行特征融合,由于不同特征在预测出血转化时的重要性不同,而融合特征中既包含了宏观特征,也包含了微观特征,融合特征的丰富性提升了出血转化风险判断准确度。
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,并不能限制本申请。
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。
图1是本申请实施例提供的一种出血转化风险判定方法的流程示意图;
图2是本申请实施例提供的一种出血转化风险判定流程示意框图;
图3是本申请实施例提供的一种出血转化风险判定装置的结构示意图;
图4是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本申请的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,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。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种出血转化风险判定方法、装置、存储介质及终端,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,本申请根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征进行特征融合,由于不同特征在预测出血转化时的重要性不同,而融合特征中既包含了宏观特征,也包含了微观特征,融合特征的丰富性提升了出血转化风险判断准确度,下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图2,对本申请实施例提供的出血转化风险判定方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的出血转化风险判定装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图1,为本申请实施例提供了一种出血转化风险判定方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征;
其中,目标对象可以选择是病人或患者,CT影像数据包括CTP影像、CTA影像以及NCCT影像;脑卒中特征包括ASPECTS评分、Tan评分以及梗死区和缺血区的多个体积,影像组学特征包括灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵。
具体的,CTP影像是基于CT灌注成像的方式生成的,CT灌注成像是在静脉快速团注对比剂时,对感兴趣区层面进行连续CT扫描得到的,CT灌注成像可以准确反映脑部血流情况,明确血脑屏障损害程度,以此预测出血转化的风险。且可通过影像后处理软件获得脑血容量(CBV)、脑血流量(CBF)、最大达峰时间(Tmax)指标。其中相对脑平均血流量(rCBF)<30%的区域为核心梗死区,当梗死大于63ml或Tmax>14s时更易发生出血转化。
具体的,CTA影像是基于CT血管成像的方式生成的,CT血管成像是指从目标对象的静脉中快速注入一种对比剂,通过人体血液循环,在血管(动脉及静脉)中对比剂浓度达到最高峰值的时间内进行扫描,经工作站的后处理重建出血管的三维立体影像。当造影后的血管低密度达到一定程度时发生出血转化的风险增加。且基于CTA影像计算的Tan评分(软脑膜血管侧支循环的Tan评分)可有效反应侧枝循环情况,而侧枝循环血管壁发育不健全的情况下,再通时则易受血液冲击引起出血。
具体的,NCCT影像是基于平扫CT成像的方式生成的,平扫CT就是指的不用任何的一个造影剂,不用任何的其他的手段,只需要目标对象躺在床上,进行一个简单的普通的扫描,NCCT上呈现脑动脉高密度征、岛征等征象可能预示着一定程度上会出现出血转化。且通过NCCT影像可计算Alberta卒中项目早期CT评分(ASPECTS),它对缺血性病变快速进行半定量评价,有助于判定溶栓效果和远期预后。Alberta卒中项目早期CT评分是评价缺血性卒中患者大脑中动脉供血区早期缺血改变的一种简单、可靠和***的方法,于2000年由BARBER提出,可对缺血性病变快速进行半定量评价,有助于判定溶栓效果和远期预后。而多模式CT和MRI技术的发展丰富了ASPECTS的应用范围,提高了病情判断的有效性和可靠性。
在本申请实施例中,在根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征时,首先获取目标对象的CTP影像、CTA影像以及NCCT影像;再根据NCCT影像,计算ASPECTS评分;再根据CTA影像,计算Tan评分;然后根据CTP影像,分析目标对象的脑血容量、脑血流量以及最大达峰时间;其次根据ASPECTS评分、Tan评分、目标对象的脑血容量、脑血流量以及最大达峰时间,生成宏观的脑卒中特征;最后根据CTP影像、CTA影像以及NCCT影像,生成微观的影像组学特征。
具体的,在根据ASPECTS评分、Tan评分、目标对象的脑血容量、脑血流量以及最大达峰时间,生成宏观的脑卒中特征时,首先根据脑血容量、脑血流量以及最大达峰时间,计算梗死区内相对脑平均血流量小于预设百分比的第一区域体积、缺血区内最大达峰时间大于第一预设时长的第二区域体积以及最大达峰时间大于第二预设时长的第三区域体积;然后将ASPECTS评分、Tan评分、第一区域体积、第二区域体积以及第三区域体积作为宏观的脑卒中特征。
具体的,在根据CTP影像、CTA影像以及NCCT影像,生成微观的影像组学特征时,首先分别在NCCT影像、CTA影像、CTP影像的梗死区和缺血区内提取灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵;然后根据灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵计算角二阶矩、熵、对比度、逆差距和相关度,得到微观的影像组学特征。
在一种可能的实现方式中,本申请的脑部影像可采用NCCT、CTA以及CTP数据,对于宏观的脑卒中相关特征,本申请根据NCCT获取ASPECTS评分、根据CTA获取Tan评分、根据CTP获取CBF、CBV、Tmax,从而计算梗死区rCBF<30%体积、缺血区Tmax>6s体积和Tmax>14s的体积,得到宏观的脑卒中特征。本申请利用影像组学来提取微观特征,既分别在NCCT、CTA、CTP的Tmax的梗死和缺血区内提取其灰度依赖矩阵、灰度共生矩阵、灰度游程矩阵,并根据上述矩阵确定角二阶矩、熵、对比度、逆差距和相关度,得到微观的影像组学特征。
S102,将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵;
在本申请实施例中,在将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵时,首先将ASPECTS评分除以最大分数10,得到标准ASPECTS评分;再将Tan评分除以最大分数3,得到标准Tan评分;然后将第一区域体积、第二区域体积以及第三区域体积除以预设脑掩膜体积,得到3个标准区域体积;再将标准ASPECTS评分、标准Tan评分以及3个标准区域体积组合为N×5×1大小的矩阵;其次将N×5×1大小的矩阵进行维度扩充,得到N×5×5大小的矩阵;再将灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵及其二阶矩、熵、对比度、逆差距和相关度处理成N×9×5大小的矩阵;并将N×5×5大小的矩阵与N×9×5大小的矩阵合并为N×14×5大小的矩阵;最后将N×14×5大小的矩阵通过主成分分析法进行降维,得到N×14大小的矩阵;以及将N×14大小的矩阵作为目标对象的特征融合矩阵。
在一种可能的实现方式中,可根据不同指标的特性进行宏观特征的标准化,例如ASPECTS评分除以最大分数10,Tan评分除以最大分数3,而3种体积皆除以脑掩膜体积,然后将标准化后的宏观特征进行维度扩充,即乘1×5大小的全1矩阵后为N×5×5的矩阵。然后将灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵及其二阶矩、熵、对比度、逆差距和相关度处理成N×9×5大小的矩阵,再将不同的属性特征进行融合,即将宏观特征和微观特征进行维度合并为N×14×5的矩阵,最后再利用PCA进行维度降维为N×14的矩阵。PCA(Principal Components Analysis,主成分分析),作为一种降维技术,使数据更易用于分析数据集建立数据模型。
S103,将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值;
在一种可能的实现方式中,当预先训练的出血转化风险判定模型为随机森林模型时,可将微观特征和宏观特征融合后的N×14矩阵作为随机森林模型的输入,其中N为样本数据,14个属性分别对应ASPECTS评分、Tan评分、rCBF<30%体积、Tmax>6s体积、Tmax>14s的体积、NCCT的灰度依赖矩阵、NCCT的灰度共生矩阵、NCCT的灰度游程矩阵、CTA的灰度依赖矩阵、CTA的灰度共生矩阵、CTA的灰度游程矩阵、Tmax的灰度依赖矩阵、Tmax的灰度共生矩阵、Tmax的灰度游程矩阵。从而输出预测结果和对应的各个属性对出血转化预测的贡献度。
在另一种可能的实现方式中,当预先训练的出血转化风险判定模型为其他神经网络模型算法;其中,预先训练的出血转化风险判定模型包括贡献度计算层、类型匹配层、风险值确定层以及参数输出层。
在本申请实施例中,贡献度计算模块对N×14大小的矩阵进行编码,以提取各个属性的序列特征,以及根据各个属性的序列特征计算各个属性对出血转化的贡献度;类型匹配模块加载预先生成的属性贡献度和出血转化类型的映射关系,并在映射关系中匹配每个贡献度对应的目标血转化类型;风险值确定模块根据每个贡献度对应的目标血转化类型确定出存在出血转化的类型数量,并将存在出血转化的类型数量与各个属性的总数量的比值作为目标对象对应的出血转化风险值;参数输出模块输出目标对象对应的出血转化风险值。
具体的,在根据各个属性的序列特征计算各个属性对出血转化的贡献度时,首先根据第一属性的特征序列,量化出第一属性的特征向量集合;第一属性为各个属性中任意一个属性;然后初始化预先建立的出血转化计算函数;最后根据第一属性的特征向量集合与初始化后的出血转化计算函数,计算出第一属性对出血转化的贡献度。
具体的,出血转化计算函数为:
其中,是第一属性,F()为贡献度计算函数接口,/>是第一属性的特征向量集合,/>分别是CTP影像、CTA影像以及NCCT影像中脑梗死区域的每个像素位置的横坐标和纵坐标,/>是预设集合总数量,W,H分别是CTP影像、CTA影像以及NCCT影像的宽度和高度;x为自变量,i为多项式函数阶,/>为每阶系数,/>为多项式函数阶数。
例如图2所示,图2是本申请提供的一种出血转化风险判定流程示意框图,首先可获取目标对象的CTP影像、CTA影像以及NCCT影像,然后分别对CTP影像、CTA影像以及NCCT影像提取脑卒中特征以及影像学特征,脑卒中特征包括ASPECTS评分、Tan评分以及梗死和缺血体积,影像学特征包括灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵,其次对ASPECTS评分、Tan评分以及梗死和缺血体积进行标准化处理,得到N×5×1大小的矩阵,并将N×5×1大小的矩阵和预设矩阵参数进行相乘,得到N×5×5大小的矩阵,以及根据灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵,得到N×9×5大小的矩阵,最后将N×5×5大小的矩阵与N×9×5大小的矩阵进行融合,得到N×14×5大小的矩阵,并对N×14×5大小的矩阵进行降维为N×14大小的矩阵后输入随机森林模型中,可得到预测结果和对应的各个属性对出血转化预测的贡献度。
需要说明的是,本申请中预先训练的出血转化风险判定模型的模型训练过程和现有的模型训练方式相同,此处不再赘述。
S104,在出血转化风险值大于等于预设阈值的情况下,判定目标对象存在出血转化风险。
在一种可能的实现方式中,在出血转化风险值大于等于预设阈值的情况下,判定目标对象存在出血转化风险。
在另一种可能的实现方式中,在出血转化风险值小于预设阈值的情况下,判定目标对象不存在出血转化风险。
本申请通过脑卒中特征和影像组学特征提取影像的宏观和微观特征,基于宏观和微观特征的特点进行空间归一化和数据降维,再将处理后的宏观和微观特征进行特征融合,最后可利用随机森林算法进行出血转化预测和关键特征提取,从而达到准确预测出血转化,为相关医疗方面提供参考。
在本申请实施例中,出血转化风险判定装置首先根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征,然后将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵,其次将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值,最后在出血转化风险值大于等于预设阈值的情况下,判定目标对象存在出血转化风险。本申请根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征进行特征融合,由于不同特征在预测出血转化时的重要性不同,而融合特征中既包含了宏观特征,也包含了微观特征,融合特征的丰富性提升了出血转化风险判断准确度。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参见图3,其示出了本申请一个示例性实施例提供的出血转化风险判定装置的结构示意图。该出血转化风险判定装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括特征构建模块10、特征融合模块20、模型处理模块30、出血转化风险判定模块40。
特征构建模块10,用于根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征;
特征融合模块20,用于将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵;
模型处理模块30,用于将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值;
出血转化风险判定模块40,用于在出血转化风险值大于等于预设阈值的情况下,判定目标对象存在出血转化风险。
具体的,特征构建模块10,包括:
影像获取单元,用于获取目标对象的CTP影像、CTA影像以及NCCT影像;
ASPECTS评分计算单元,用于根据NCCT影像,计算ASPECTS评分;
Tan评分计算单元,用于根据CTA影像,计算Tan评分;
参数分析单元,用于根据CTP影像,分析目标对象的脑血容量、脑血流量以及最大达峰时间;
脑卒中特征生成单元,用于根据ASPECTS评分、Tan评分、目标对象的脑血容量、脑血流量以及最大达峰时间,生成宏观的脑卒中特征;
影像组学特征生成单元,用于根据CTP影像、CTA影像以及NCCT影像,生成微观的影像组学特征。
具体的,在根据ASPECTS评分、Tan评分、目标对象的脑血容量、脑血流量以及最大达峰时间,生成宏观的脑卒中特征时,根据脑血容量、脑血流量以及最大达峰时间,计算梗死区内相对脑平均血流量小于预设百分比的第一区域体积、缺血区内最大达峰时间大于第一预设时长的第二区域体积以及最大达峰时间大于第二预设时长的第三区域体积;将ASPECTS评分、Tan评分、第一区域体积、第二区域体积以及第三区域体积作为宏观的脑卒中特征。
具体的,在根据CTP影像、CTA影像以及NCCT影像,生成微观的影像组学特征时:分别在NCCT影像、CTA影像、CTP影像的梗死区和缺血区内提取灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵;根据灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵计算角二阶矩、熵、对比度、逆差距和相关度,得到微观的影像组学特征。
具体的,在将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵时:将ASPECTS评分除以最大分数10,得到标准ASPECTS评分;将Tan评分除以最大分数3,得到标准Tan评分;将第一区域体积、第二区域体积以及第三区域体积除以预设脑掩膜体积,得到3个标准区域体积;将标准ASPECTS评分、标准Tan评分以及3个标准区域体积组合为N×5×1大小的矩阵;将N×5×1大小的矩阵进行维度扩充,得到N×5×5大小的矩阵;将灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵及其二阶矩、熵、对比度、逆差距和相关度处理成N×9×5大小的矩阵;将N×5×5大小的矩阵与N×9×5大小的矩阵合并为N×14×5大小的矩阵;将N×14×5大小的矩阵通过主成分分析法进行降维,得到N×14大小的矩阵;将N×14大小的矩阵作为目标对象的特征融合矩阵。
具体的,预先训练的出血转化风险判定模型包括贡献度计算层、类型匹配层、风险值确定层以及参数输出层;
在将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值时,贡献度计算模块对N×14大小的矩阵进行编码,以提取各个属性的序列特征,以及根据各个属性的序列特征计算各个属性对出血转化的贡献度;类型匹配模块加载预先生成的属性贡献度和出血转化类型的映射关系,并在映射关系中匹配每个贡献度对应的目标血转化类型;风险值确定模块根据每个贡献度对应的目标血转化类型确定出存在出血转化的类型数量,并将存在出血转化的类型数量与各个属性的总数量的比值作为目标对象对应的出血转化风险值;参数输出模块输出目标对象对应的出血转化风险值。
具体的,在根据各个属性的序列特征计算各个属性对出血转化的贡献度时:根据第一属性的特征序列,量化出第一属性的特征向量集合;第一属性为各个属性中任意一个属性;初始化预先建立的出血转化计算函数;根据第一属性的特征向量集合与初始化后的出血转化计算函数,计算出第一属性对出血转化的贡献度;其中,出血转化计算函数为:
其中,是第一属性,F()为贡献度计算函数接口,/>是第一属性的特征向量集合,/>分别是CTP影像、CTA影像以及NCCT影像中脑梗死区域的每个像素位置的横坐标和纵坐标,/>是预设集合总数量,W,H分别是CTP影像、CTA影像以及NCCT影像的宽度和高度;x为自变量,i为多项式函数阶,/>为每阶系数,/>为多项式函数阶数。
需要说明的是,上述实施例提供的出血转化风险判定装置在执行出血转化风险判定方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的出血转化风险判定装置与出血转化风险判定方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,出血转化风险判定装置首先根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征,然后将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵,其次将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值,最后在出血转化风险值大于等于预设阈值的情况下,判定目标对象存在出血转化风险。本申请根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征进行特征融合,由于不同特征在预测出血转化时的重要性不同,而融合特征中既包含了宏观特征,也包含了微观特征,融合特征的丰富性提升了出血转化风险判断准确度。
本申请还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的出血转化风险判定方法。
本申请还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的出血转化风险判定方法。
请参见图4,为本申请实施例提供了一种终端的结构示意图。如图4所示,终端1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图4所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及出血转化风险判定应用程序。
在图4所示的终端1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的出血转化风险判定应用程序,并具体执行以下操作:
根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征;
将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵;
将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值;
在出血转化风险值大于等于预设阈值的情况下,判定目标对象存在出血转化风险。
在一个实施例中,处理器1001在执行根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征时,具体执行以下操作:
获取目标对象的CTP影像、CTA影像以及NCCT影像;
根据NCCT影像,计算ASPECTS评分;
根据CTA影像,计算Tan评分;
根据CTP影像,分析目标对象的脑血容量、脑血流量以及最大达峰时间;
根据ASPECTS评分、Tan评分、目标对象的脑血容量、脑血流量以及最大达峰时间,生成宏观的脑卒中特征;
根据CTP影像、CTA影像以及NCCT影像,生成微观的影像组学特征。
在一个实施例中,处理器1001在执行根据ASPECTS评分、Tan评分、目标对象的脑血容量、脑血流量以及最大达峰时间,生成宏观的脑卒中特征时,具体行以下操作:
根据脑血容量、脑血流量以及最大达峰时间,计算梗死区内相对脑平均血流量小于预设百分比的第一区域体积、缺血区内最大达峰时间大于第一预设时长的第二区域体积以及最大达峰时间大于第二预设时长的第三区域体积;
将ASPECTS评分、Tan评分、第一区域体积、第二区域体积以及第三区域体积作为宏观的脑卒中特征。
在一个实施例中,处理器1001在执行根据CTP影像、CTA影像以及NCCT影像,生成微观的影像组学特征时,具体执行以下操作:
分别在NCCT影像、CTA影像、CTP影像的梗死区和缺血区内提取灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵;
根据灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵计算角二阶矩、熵、对比度、逆差距和相关度,得到微观的影像组学特征。
在一个实施例中,处理器1001在执行将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵时,具体执行以下操作:
将ASPECTS评分除以最大分数10,得到标准ASPECTS评分;
将Tan评分除以最大分数3,得到标准Tan评分;
将第一区域体积、第二区域体积以及第三区域体积除以预设脑掩膜体积,得到3个标准区域体积;
将标准ASPECTS评分、标准Tan评分以及3个标准区域体积组合为N×5×1大小的矩阵;
将N×5×1大小的矩阵进行维度扩充,得到N×5×5大小的矩阵;
将灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵及其二阶矩、熵、对比度、逆差距和相关度处理成N×9×5大小的矩阵;
将N×5×5大小的矩阵与N×9×5大小的矩阵合并为N×14×5大小的矩阵;
将N×14×5大小的矩阵通过主成分分析法进行降维,得到N×14大小的矩阵;
将N×14大小的矩阵作为目标对象的特征融合矩阵。
在一个实施例中,处理器1001在执行将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值时,具体执行以下操作:
贡献度计算模块对N×14大小的矩阵进行编码,以提取各个属性的序列特征,以及根据各个属性的序列特征计算各个属性对出血转化的贡献度;
类型匹配模块加载预先生成的属性贡献度和出血转化类型的映射关系,并在映射关系中匹配每个贡献度对应的目标血转化类型;
风险值确定模块根据每个贡献度对应的目标血转化类型确定出存在出血转化的类型数量,并将存在出血转化的类型数量与各个属性的总数量的比值作为目标对象对应的出血转化风险值;
参数输出模块输出目标对象对应的出血转化风险值。
在一个实施例中,处理器1001在执行根据各个属性的序列特征计算各个属性对出血转化的贡献度时,具体执行以下操作:
根据第一属性的特征序列,量化出第一属性的特征向量集合;第一属性为各个属性中任意一个属性;
初始化预先建立的出血转化计算函数;
根据第一属性的特征向量集合与初始化后的出血转化计算函数,计算出第一属性对出血转化的贡献度;其中,
出血转化计算函数为:
其中,是第一属性,F()为贡献度计算函数接口,/>是第一属性的特征向量集合,/>分别是CTP影像、CTA影像以及NCCT影像中脑梗死区域的每个像素位置的横坐标和纵坐标,/>是预设集合总数量,W,H分别是CTP影像、CTA影像以及NCCT影像的宽度和高度;x为自变量,i为多项式函数阶,/>为每阶系数,/>为多项式函数阶数。
在本申请实施例中,出血转化风险判定装置首先根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征,然后将脑卒中特征以及影像组学特征进行特征融合,得到目标对象的特征融合矩阵,其次将目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出目标对象对应的出血转化风险值,最后在出血转化风险值大于等于预设阈值的情况下,判定目标对象存在出血转化风险。本申请根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征进行特征融合,由于不同特征在预测出血转化时的重要性不同,而融合特征中既包含了宏观特征,也包含了微观特征,融合特征的丰富性提升了出血转化风险判断准确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,出血转化风险判定的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (8)
1.一种出血转化风险判定方法,其特征在于,所述方法包括:
根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征;
将所述脑卒中特征以及影像组学特征进行特征融合,得到所述目标对象的特征融合矩阵;
将所述目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出所述目标对象对应的出血转化风险值;其中,
所述预先训练的出血转化风险判定模型包括贡献度计算层、类型匹配层、风险值确定层以及参数输出层;
所述将所述目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出所述目标对象对应的出血转化风险值,包括:
贡献度计算模块对所述目标对象的特征融合矩阵进行编码,以提取各个属性的序列特征,以及根据各个属性的序列特征计算各个属性对出血转化的贡献度;
类型匹配模块加载预先生成的属性贡献度和出血转化类型的映射关系,并在所述映射关系中匹配每个贡献度对应的目标出血转化类型;
风险值确定模块根据每个贡献度对应的目标出血转化类型确定出存在出血转化的类型数量,并将存在出血转化的类型数量与各个属性的总数量的比值作为目标对象对应的出血转化风险值;
参数输出模块输出所述目标对象对应的出血转化风险值;其中,
所述根据各个属性的序列特征计算各个属性对出血转化的贡献度,包括:
根据第一属性的特征序列,量化出所述第一属性的特征向量集合;所述第一属性为各个属性中任意一个属性;
初始化预先建立的出血转化计算函数;
根据所述第一属性的特征向量集合与初始化后的出血转化计算函数,计算出第一属性对出血转化的贡献度;其中,
所述出血转化计算函数为:
其中,是第一属性,F()为贡献度计算函数接口,/>是第一属性的特征向量集合,分别是CTP影像、CTA影像以及NCCT影像中脑梗死区域的每个像素位置的横坐标和纵坐标,/>是预设集合总数量,W,H分别是CTP影像、CTA影像以及NCCT影像的宽度和高度;x为自变量,i为多项式函数阶,/>为每阶系数,/>为多项式函数阶数;
在所述出血转化风险值大于等于预设阈值的情况下,判定所述目标对象存在出血转化风险。
2.根据权利要求1所述的方法,其特征在于,所述CT影像数据包括CTP影像、CTA影像以及NCCT影像;
所述根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征,包括:
获取目标对象的CTP影像、CTA影像以及NCCT影像;
根据所述NCCT影像,计算ASPECTS评分;
根据所述CTA影像,计算Tan评分;
根据所述CTP影像,分析所述目标对象的脑血容量、脑血流量以及最大达峰时间;
根据所述ASPECTS评分、Tan评分、目标对象的脑血容量、脑血流量以及最大达峰时间,生成宏观的脑卒中特征;
根据所述CTP影像、CTA影像以及NCCT影像,生成微观的影像组学特征。
3.根据权利要求2所述的方法,其特征在于,所述根据所述ASPECTS评分、Tan评分、目标对象的脑血容量、脑血流量以及最大达峰时间,生成宏观的脑卒中特征,包括:
根据所述脑血容量、脑血流量以及最大达峰时间,计算梗死区内相对脑平均血流量小于预设百分比的第一区域体积、缺血区内最大达峰时间大于第一预设时长的第二区域体积以及缺血区内最大达峰时间大于第二预设时长的第三区域体积;
将所述ASPECTS评分、Tan评分、第一区域体积、第二区域体积以及第三区域体积作为宏观的脑卒中特征。
4.根据权利要求3所述的方法,其特征在于,所述根据所述CTP影像、CTA影像以及NCCT影像,生成微观的影像组学特征,包括:
分别在所述NCCT影像、CTA影像、CTP影像的梗死区和缺血区内提取灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵;
根据所述灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵计算角二阶矩、熵、对比度、逆差距和相关度,得到微观的影像组学特征。
5.根据权利要求4所述的方法,其特征在于,所述将所述脑卒中特征以及影像组学特征进行特征融合,得到所述目标对象的特征融合矩阵,包括:
将所述ASPECTS评分除以最大分数10,得到标准ASPECTS评分;
将所述Tan评分除以最大分数3,得到标准Tan评分;
将所述第一区域体积、第二区域体积以及第三区域体积除以预设脑掩膜体积,得到3个标准区域体积;
将所述标准ASPECTS评分、标准Tan评分以及3个标准区域体积组合为N×5×1大小的矩阵;
将所述N×5×1大小的矩阵进行维度扩充,得到N×5×5大小的矩阵;
将所述灰度依赖矩阵、灰度共生矩阵以及灰度游程矩阵及其角二阶矩、熵、对比度、逆差距和相关度处理成N×9×5大小的矩阵;
将N×5×5大小的矩阵与N×9×5大小的矩阵合并为N×14×5大小的矩阵;
将N×14×5大小的矩阵通过主成分分析法进行降维,得到N×14大小的矩阵;
将所述N×14大小的矩阵作为所述目标对象的特征融合矩阵。
6.一种出血转化风险判定装置,其特征在于,所述装置包括:
特征构建模块,用于根据目标对象的CT影像数据,构建脑卒中特征以及影像组学特征;
特征融合模块,用于将所述脑卒中特征以及影像组学特征进行特征融合,得到所述目标对象的特征融合矩阵;
模型处理模块,用于将所述目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出所述目标对象对应的出血转化风险值;其中,
所述预先训练的出血转化风险判定模型包括贡献度计算层、类型匹配层、风险值确定层以及参数输出层;
所述将所述目标对象的特征融合矩阵输入预先训练的出血转化风险判定模型中,输出所述目标对象对应的出血转化风险值,包括:
贡献度计算模块对所述目标对象的特征融合矩阵进行编码,以提取各个属性的序列特征,以及根据各个属性的序列特征计算各个属性对出血转化的贡献度;
类型匹配模块加载预先生成的属性贡献度和出血转化类型的映射关系,并在所述映射关系中匹配每个贡献度对应的目标出血转化类型;
风险值确定模块根据每个贡献度对应的目标出血转化类型确定出存在出血转化的类型数量,并将存在出血转化的类型数量与各个属性的总数量的比值作为目标对象对应的出血转化风险值;
参数输出模块输出所述目标对象对应的出血转化风险值;其中,
所述根据各个属性的序列特征计算各个属性对出血转化的贡献度,包括:
根据第一属性的特征序列,量化出所述第一属性的特征向量集合;所述第一属性为各个属性中任意一个属性;
初始化预先建立的出血转化计算函数;
根据所述第一属性的特征向量集合与初始化后的出血转化计算函数,计算出第一属性对出血转化的贡献度;其中,
所述出血转化计算函数为:
其中,是第一属性,F()为贡献度计算函数接口,/>是第一属性的特征向量集合,分别是CTP影像、CTA影像以及NCCT影像中脑梗死区域的每个像素位置的横坐标和纵坐标,/>是预设集合总数量,W,H分别是CTP影像、CTA影像以及NCCT影像的宽度和高度;x为自变量,i为多项式函数阶,/>为每阶系数,/>为多项式函数阶数;
出血转化风险判定模块,用于在所述出血转化风险值大于等于预设阈值的情况下,判定所述目标对象存在出血转化风险。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-5任意一项所述的方法步骤。
8.一种终端,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-5任意一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009899.9A CN116721771B (zh) | 2023-08-11 | 2023-08-11 | 一种出血转化风险判定方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009899.9A CN116721771B (zh) | 2023-08-11 | 2023-08-11 | 一种出血转化风险判定方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116721771A CN116721771A (zh) | 2023-09-08 |
CN116721771B true CN116721771B (zh) | 2023-12-19 |
Family
ID=87875653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311009899.9A Active CN116721771B (zh) | 2023-08-11 | 2023-08-11 | 一种出血转化风险判定方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721771B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015097145A1 (en) * | 2013-12-23 | 2015-07-02 | Fundació Hospital Universitari Vall D'hebron - Institut De Recerca | Methods for determining the propensity of a patient for hemorrhagic transformation after stroke |
CN108053885A (zh) * | 2017-11-27 | 2018-05-18 | 上海市第六人民医院 | 一种出血转化预测*** |
CN109480780A (zh) * | 2018-11-14 | 2019-03-19 | 重庆三峡医药高等专科学校 | 一种脑卒中预警***及方法 |
CN112599236A (zh) * | 2020-12-09 | 2021-04-02 | 东南大学 | 一种基于ct平扫图像辅助诊断急性缺血性脑卒中方法 |
CN113921116A (zh) * | 2021-09-06 | 2022-01-11 | 深圳市龙华区中心医院 | 利用计算机芯片评估急性缺血性卒中ct影像数据模型方法 |
CN114783595A (zh) * | 2022-05-27 | 2022-07-22 | 上海联影医疗科技股份有限公司 | 一种急性卒中分析***、方法及存储介质 |
CN115063657A (zh) * | 2022-06-08 | 2022-09-16 | 北京航空航天大学 | 基于异构特征融合的缺血性脑卒中发病风险预测模型 |
-
2023
- 2023-08-11 CN CN202311009899.9A patent/CN116721771B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015097145A1 (en) * | 2013-12-23 | 2015-07-02 | Fundació Hospital Universitari Vall D'hebron - Institut De Recerca | Methods for determining the propensity of a patient for hemorrhagic transformation after stroke |
CN108053885A (zh) * | 2017-11-27 | 2018-05-18 | 上海市第六人民医院 | 一种出血转化预测*** |
CN109480780A (zh) * | 2018-11-14 | 2019-03-19 | 重庆三峡医药高等专科学校 | 一种脑卒中预警***及方法 |
CN112599236A (zh) * | 2020-12-09 | 2021-04-02 | 东南大学 | 一种基于ct平扫图像辅助诊断急性缺血性脑卒中方法 |
CN113921116A (zh) * | 2021-09-06 | 2022-01-11 | 深圳市龙华区中心医院 | 利用计算机芯片评估急性缺血性卒中ct影像数据模型方法 |
CN114783595A (zh) * | 2022-05-27 | 2022-07-22 | 上海联影医疗科技股份有限公司 | 一种急性卒中分析***、方法及存储介质 |
CN115063657A (zh) * | 2022-06-08 | 2022-09-16 | 北京航空航天大学 | 基于异构特征融合的缺血性脑卒中发病风险预测模型 |
Non-Patent Citations (2)
Title |
---|
缺血性卒中静脉溶栓预后预测的研究进展;张心邈;王春娟;廖晓凌;王伊龙;刘丽萍;王春雪;赵性泉;王拥军;;中国卒中杂志(第12期);全文 * |
脑微出血与卒中相关性研究进展;姚浙吕;徐运;;中国卒中杂志(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116721771A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305246B (zh) | 基于医学图像预测血流特征的装置及*** | |
CN108830848B (zh) | 利用计算机确定血管上的血管状况参数的序列的装置和*** | |
US11357469B2 (en) | Systems and methods for assessing the severity of plaque and/or stenotic lesions using contrast distribution predictions and measurements | |
AU2018267637B2 (en) | Method and system for patient-specific modeling of blood flow | |
AU2017200000B2 (en) | Method and system for modeling blood flow with boundary conditions for optimized diagnostic performance | |
Salem et al. | Multiple sclerosis lesion synthesis in MRI using an encoder-decoder U-NET | |
WO2021184799A1 (zh) | 医学图像处理方法、装置、设备及存储介质 | |
CN114881968A (zh) | 基于深度卷积神经网络的octa图像血管分割方法、设备及介质 | |
EP3428925B1 (en) | Method and system for clinical decision support with local and remote analytics | |
US11727570B2 (en) | Methods and systems for determining coronary hemodynamic characteristic(s) that is predictive of myocardial infarction | |
TWI788629B (zh) | 圖像處理方法、裝置及系統、電子設備及電腦可讀儲存媒體 | |
KR102327662B1 (ko) | 동맥류 파열 예측 장치 및 방법 | |
US20190019286A1 (en) | Method and System for Clinical Decision Support with Local and Remote Analytics | |
Clark et al. | Developments in functional imaging of the placenta | |
Rava et al. | Enhancing performance of a computed tomography perfusion software for improved prediction of final infarct volume in acute ischemic stroke patients | |
CN116721771B (zh) | 一种出血转化风险判定方法、装置、存储介质及终端 | |
CN113192031A (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
CN113648059A (zh) | 手术规划评估方法、计算机设备和存储介质 | |
CN113610800A (zh) | 用于评估侧支循环的装置、非诊断方法及电子设备 | |
CN116504407A (zh) | 一种冠脉左主干分叉的分支闭塞风险预测方法及*** | |
CN117218134A (zh) | Cta图像的血管分割方法、***、介质及电子设备 | |
CN114266759A (zh) | 图像分析方法、装置及计算机设备 | |
CN117877704A (zh) | 用于预测***穿刺倾向的装置和计算机可读存储介质 | |
CN116504384A (zh) | 一种基于机器学习的重症急性胰腺炎临床多模态预测模型 | |
CN115661082A (zh) | 冠脉血管分割方法、装置、设备、存储介质和程序产品 |
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 |