脑梗塞的AI预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种脑梗塞的AI预测方法，首先获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；然后获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播；对待预测的CT图像进行预处理，得到测试样本；根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。通过所述基于编码加解码架构的卷积神经网络的图像识别，可以预测出是否有脑梗塞，以及脑梗塞的区域。

【技术实现步骤摘要】
脑梗塞的AI预测方法、装置、设备及存储介质
本专利技术涉及信息处理
，尤其涉及一种脑梗塞的AI预测方法、装置、设备及存储介质。
技术介绍
脑梗死旧称脑梗塞，又称缺血性脑卒中(cerebralischemicstroke)，是指因脑部血液供应障碍，缺血、缺氧所导致的局限性脑组织的缺血性坏死或软化。脑梗死的临床常见类型有脑血栓形成、腔隙性梗死和脑栓塞等，脑梗死占全部脑卒中的80％，脑梗死不仅给人类健康和生命造成极大威胁，而且给患者、家庭及社会带来极大的痛苦和沉重的负担。目前，对脑梗塞的识别方法，一般都是去医院进行CT检查、MRI检查、常规检查或特殊检查；在进行CT检查时，CT显示梗死灶为低密度，可以明确病变的部位、形状及大小，较大的梗死灶可使脑室受压，变形及中线结构移位，但脑梗死起病4～6小时内，只有部分病例可见边界不清的稍低密度灶，而大部分的病例在24小时后才能显示边界较清的低密度灶，且小于5mm的梗死灶。MRI检查就是核磁共振成像检查。常规检查就是血、尿、大便常规及肝功能、肾功能、凝血功能、血糖、血脂、心电图等作为常规检查，特殊检查如经颅多普勒超声(TCD)、颈动脉彩色B超、磁本文档来自技高网...

【技术保护点】
1.一种脑梗塞的AI预测方法，其特征在于，包括：获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。对待预测的CT图像进行预处理，得到测试样本；根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。

【技术特征摘要】
1.一种脑梗塞的AI预测方法，其特征在于，包括：获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。对待预测的CT图像进行预处理，得到测试样本；根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。2.根据权利要求1所述的脑梗塞的AI预测方法，其特征在于，所述获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播，包括：获取初始卷积神经网络；基于所述初始卷积神经网络对所述原始CT图像进行编码，通过卷积操作提取所述原始CT图像各层对应的特征图；基于所述初始卷积神经网络对所述特征图进行解码，处理所述提取后的特征图，并对脑梗塞病灶区预测；预测结果评估，将预测结果集合与对应的所述脑梗塞标签集合的交叉熵作为预测的损失值，并通过dice系数进行求解，以实现反向传播。3.根据权利要求2所述的脑梗塞的AI预测方法，其特征在于，所述基于所述初始卷积神经网络对所述原始CT图像进行编码，通过卷积操作提取所述原始CT图像各层对应的特征图包括：基于Mobilenet架构以及多孔空间金字塔池化模块，提取所述原始CT图像各层对应的特征图。4.根据权利要求2所述的脑梗塞的AI预测方法，其特征在于，所述基于所述初始卷积神经网络对所述特征图进行解码，处理所述提取后的特征图，并对脑梗塞病灶区预测包括：在处理所述提取后的特征图时，加入经过编码得到的初始的前N层对应的特征图，以修复分割区域边界信息的丢失；其...

【专利技术属性】
技术研发人员：王思伦，
申请(专利权)人：上海铱硙医疗科技有限公司，
类型：发明
国别省市：上海,31