一种预测模型的训练方法、使用该模型的预测方法及装置制造方法及图纸

本发明专利技术公开了一种预测模型的训练方法、使用该模型的预测方法及装置，涉及医学影像分析技术领域，预测模型的训练方法包括：获取样本患者在斑块相关过程中的第一阶段时的医学影像、第二阶段时的医学影像以及样本患者的个人结构化数据，其中，第二阶段发生在第一阶段之后；使用预先训练的图像分割模型，从第一阶段时的医学影像中分割出第一目标特征，并从第二阶段时的医学影像中分割出第二目标特征；基于第一目标特征、第二目标特征以及第一阶段与第二阶段的时间差，计算与斑块相关过程有关的变化因子；将个人结构化数据和第一目标特征作为输入，变化因子作为输出，训练得到预测模型。本发明专利技术实施例能够实现快速准确、智能地预测斑块进展或斑块消退。

A Training Method of Prediction Model, Prediction Method and Device Using the Model

The invention discloses a training method of a prediction model, a prediction method and a device using the model, which relates to the field of medical image analysis technology. The training method of the prediction model includes: acquiring the medical image of the sample patient in the first stage of the plaque correlation process, the medical image in the second stage and the personal structured data of the sample patient, in which the second stage is issued. After the first stage, the trained image segmentation model is used to segment the first target feature from the medical image in the first stage and the second target feature from the medical image in the second stage. Based on the first target feature, the second target feature and the time difference between the first stage and the second stage, the change factors related to the process of plaque correlation are calculated. The individual structured data and the first target feature are used as input and the change factor as output, and the prediction model is trained. The embodiment of the invention can realize rapid, accurate and intelligent prediction of plaque progression or plaque fading.

【技术实现步骤摘要】
一种预测模型的训练方法、使用该模型的预测方法及装置
本专利技术涉及医学影像分析
，特别涉及一种预测模型的训练方法、使用该模型的预测方法及装置。
技术介绍
脑卒中(stroke,又称中风)因其高发病率和高死亡率而备受重视，成为一个严重的公共健康问题。它是一种急性脑血管疾病，是由于脑部血管破裂或因血管阻塞而导致血液不能流入大脑而引起脑组织损伤的一组疾病，包括缺血性和出血性。缺血性脑卒中占到60％以上，主要是由于颈动脉的闭塞或狭窄引起的，而斑块正是造成闭塞和狭窄的罪魁祸首。斑块的进展或消退不仅局限于斑块大小的范畴，斑块的成份及稳定性更是衡量斑块进展或消退的重要参考，斑块由多种成份共同组成，比如钙化、脂质核、内出血、纤维帽等。评估斑块的进展或消退情况，能够准确地判断脑卒中的严重程度，从而有利于制定更加完善的治疗策略。人工智能深度学习技术因近几年的快速发展而越来越多地运用在各领域中，其中卷积神经网络(CNN)模型作为深度学习技术在图像处理领域最重要的应用，在分类、检测和分割等方面已取得显著成就。卷积神经网络模型往往由多层的神经元组成，从而具有很强的特征学习能力，学习得到的网络模型对原始数据具有很好的表征能力，从而通过大规模的训练数据可以提取数据丰富的内在信息，有利于分类、数据挖掘、预测等任务。因此基于卷积神经网络相关技术，由大量训练数据通过学习其内在关系并建立检测模型和预测模型，在评估斑块的进展或消退时成为了可能。
技术实现思路
有鉴于此，本专利技术实施例提供了一种预测模型的训练方法、使用该模型的预测方法及装置，通过利用深度学习技术建立预测模型以预测与斑块相关过程有关的变化因子，实现快速准确、智能地预测斑块的进展或消退，从而能够方便医生制定更加完善的治疗策略。本专利技术实施例提供的具体技术方案如下：第一方面，提供了一种预测模型的训练方法，所述方法包括：获取样本患者在斑块相关过程中的第一阶段时的医学影像、第二阶段时的医学影像以及所述样本患者的个人结构化数据，其中，所述第二阶段发生在所述第一阶段之后；使用预先训练的图像分割模型，从所述第一阶段时的医学影像中分割出第一目标特征，并从所述第二阶段时的医学影像中分割出第二目标特征；基于所述第一目标特征、所述第二目标特征以及所述第一阶段与所述第二阶段的时间差，计算与所述斑块相关过程有关的变化因子；将所述个人结构化数据和所述第一目标特征作为输入，所述变化因子作为输出，训练得到预测模型。结合第一方面，在第一种可能的实现方式中，所述图像分割模型是通过以下方式训练得到的：获取第一训练数据和/或第二训练数据，所述第一训练数据包括所述第一阶段时的标注过的医学影像，所述第二训练数据包括所述第二阶段时的标注过的医学影像；使用所述第一训练数据和/或所述第二训练数据对卷积神经网络进行训练，生成所述图像分割模型。结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述卷积神经网络采用Mask-RCNN网络或U-net网络。结合第一方面至第一方面的第二种任意一种可能的实现方式，在第三种可能的实现方式中，所述医学影像为经过图像配准后的MRI多序列影像。结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，所述第一目标特征、所述第二目标特征均包括血管、斑块以及所述斑块的斑块成份；所述进展因子包括血管壁增厚、狭窄程度变化率、脂质核增大率、内出血体积变化率和纤维帽厚度变化率中的一种或多种。结合第一方面，在第五种可能的实现方式中，所述疾病风险数据包括性别、年龄、体重、吸烟史、喝酒史、血压数据、血糖数据、心率数据和用药数据中的一种或多种。结合第一方面，在第六种可能的实现方式中，所述斑块相关过程为斑块进展或斑块消退。第二方面，提供了一种使用第一方面所述的预测模型对斑块相关过程进行预测的方法，所述方法包括：获取目标患者的医学影像和个人结构化数据；使用所述图像分割模型，从所述目标患者的医学影像中分割出目标特征；将所述目标患者的个人结构化数据和所述目标特征输入到所述预测模型中，以预测与所述斑块相关过程有关的变化因子。第三方面，提供了一种预测模型的训练装置，所述装置包括：数据获取模块，用于获取样本患者在斑块相关过程中的第一阶段时的医学影像、第二阶段时的医学影像以及所述样本患者的个人结构化数据，其中，所述第二阶段发生在所述第一阶段之后；图像分割模块，用于使用预先训练的图像分割模型，从所述第一阶段时的医学影像中分割出第一目标特征，并从所述第二阶段时的医学影像中分割出第二目标特征；变化因子获取模块，用于基于所述第一目标特征、所述第二目标特征以及所述第一阶段与所述第二阶段的时间差，计算与所述斑块相关过程有关的变化因子；预测模型训练模块，用于将所述个人结构化数据和所述第一目标特征作为输入，所述变化因子作为输出，训练得到预测模型。结合第三方面，在第一种可能的实现方式中，所述装置还包括分割模型训练模块，所述分割模型训练模块用于：获取第一训练数据和/或第二训练数据，所述第一训练数据包括所述第一阶段时的标注过的医学影像，所述第二训练数据包括所述第二阶段时的标注过的医学影像；使用所述第一训练数据和/或所述第二训练数据对卷积神经网络进行训练，生成所述图像分割模型。结合第三方面的第一种可能的实现方式，在第二种可能的实现方式中，所述卷积神经网络采用Mask-RCNN网络或U-net网络。结合第三方面至第三方面的第二种任意一种可能的实现方式，在第三种可能的实现方式中，所述医学影像为经过图像配准后的MRI多序列影像。结合第三方面的第三种可能的实现方式，在第四种可能的实现方式中，所述第一目标特征、所述第二目标特征均包括血管、斑块以及所述斑块的斑块成份；所述进展因子包括血管壁增厚、狭窄程度变化率、脂质核增大率、内出血体积变化率和纤维帽厚度变化率中的一种或多种。结合第三方面，在第五种可能的实现方式中，所述疾病风险数据包括性别、年龄、体重、吸烟史、喝酒史、血压数据、血糖数据、心率数据和用药数据中的一种或多种。结合第三方面，在第六种可能的实现方式中，所述斑块相关过程为斑块进展或斑块消退。第四方面，提供了一种使用第三方面所述的预测模型对斑块相关过程进行预测的装置，所述装置包括：数据获取模块，用于获取目标患者的医学影像和个人结构化数据；图像分割模块，用于使用所述图像分割模型，从所述目标患者的医学影像中分割出目标特征；预测模块，用于将所述目标患者的个人结构化数据和所述目标特征输入到所述预测模型中，以预测与所述斑块相关过程有关的变化因子。第五方面，提供了一种预测模型的训练装置，所述装置包括：一个或者多个处理器；存储器；所述存储在所述存储器中的程序，当被所述一个或者多个处理器执行时，所述程序使所述处理器执行如上述第一方面任意一种所述的预测模型的训练方法。第六方面，提供了一种对斑块相关过程进行预测的装置，所述装置包括：一个或者多个处理器；存储器；所述存储在所述存储器中的程序，当被所述一个或者多个处理器执行时，所述程序使所述处理器执行如上述第二方面所述的对斑块相关过程进行预测的方法。第七方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，使得所述处理器执行如上述第一方面任意一种所述的斑块进展预测模型的训练方本文档来自技高网...

【技术保护点】
1.一种预测模型的训练方法，其特征在于，所述方法包括：获取样本患者在斑块相关过程中的第一阶段时的医学影像、第二阶段时的医学影像以及所述样本患者的个人结构化数据，其中，所述第二阶段发生在所述第一阶段之后；使用预先训练的图像分割模型，从所述第一阶段时的医学影像中分割出第一目标特征，并从所述第二阶段时的医学影像中分割出第二目标特征；基于所述第一目标特征、所述第二目标特征以及所述第一阶段与所述第二阶段的时间差，计算与所述斑块相关过程有关的变化因子；将所述个人结构化数据和所述第一目标特征作为输入，所述变化因子作为输出，训练得到预测模型。

【技术特征摘要】
1.一种预测模型的训练方法，其特征在于，所述方法包括：获取样本患者在斑块相关过程中的第一阶段时的医学影像、第二阶段时的医学影像以及所述样本患者的个人结构化数据，其中，所述第二阶段发生在所述第一阶段之后；使用预先训练的图像分割模型，从所述第一阶段时的医学影像中分割出第一目标特征，并从所述第二阶段时的医学影像中分割出第二目标特征；基于所述第一目标特征、所述第二目标特征以及所述第一阶段与所述第二阶段的时间差，计算与所述斑块相关过程有关的变化因子；将所述个人结构化数据和所述第一目标特征作为输入，所述变化因子作为输出，训练得到预测模型。2.根据权利要求1所述的方法，其特征在于，所述图像分割模型是通过以下方式训练得到的：获取第一训练数据和/或第二训练数据，所述第一训练数据包括所述第一阶段时的标注过的医学影像，所述第二训练数据包括所述第二阶段时的标注过的医学影像；使用所述第一训练数据和/或所述第二训练数据对卷积神经网络进行训练，生成所述图像分割模型。3.根据权利要求2所述的方法，其特征在于，所述卷积神经网络采用Mask-RCNN网络或U-net网络。4.根据权利要求1至3任一项所述的方法，其特征在于，所述医学影像为经过图像配准后的MRI多序列影像。5.根据权利要求4所述的方法，其特征在于，所述第一目标特征、所述第二目标特征均包括血管、斑块以及所述斑块的斑块成份；所述变化因子包括血管壁增厚、狭窄程度变化率、脂质核增大率、内出血体积变化率和纤维帽厚度变化率中的一种或多种。6.根据权利要求1所述的方法，其特征在于，所述个人结构化数据包括性别、年龄、体重、吸烟史、喝酒史、血压数据、血糖数据、心率数据和用药数据中的一种或多种。7.根据权利要求1所述的方法，其特征在于，所述斑块相关过程为斑块进展或斑块消退。8.一种使用如权利要求1至7任一项所述的预测模型对斑块相关过程进行预测的方法，其特征在于，所述方法包括：获取目标患者的医学影像和个人结构化数据；使用所述图像分割模型，从所述目标患者的医学影像中分割出目标特征；将所述目标患者的个人结构化数据和所述目标特征输入到所述预测模型中，以预测与所述斑块相关过程有关的变化因子。9.一种预测模型的训练装置，其特征在于，所述装置包括：数据获取模块，用于获取样本患...

【专利技术属性】
技术研发人员：郭延恩，胡仲华，毛顺亿，周建华，
申请(专利权)人：众安信息技术服务有限公司，
类型：发明
国别省市：广东,44