预测模型构建方法及装置、预测方法及装置、电子设备制造方法及图纸

本公开涉及一种预测模型构建方法及装置、预测方法及装置、电子设备，所述预测模型的构建方法包括：获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征，所述感兴趣区域包括异常区域；从所述第一影像特征中筛选出满足预设条件的第二影像特征；基于所述第二影像特征得到生存特征；基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型。本公开实施例可提高预后状态的预测精度。预测精度。预测精度。

【技术实现步骤摘要】
预测模型构建方法及装置、预测方法及装置、电子设备


[0001]本公开涉及医学影像处理
，尤其涉及一种预测模型构建方法及装置、预测方法及装置、电子设备。

技术介绍

[0002]脑卒中已经成为世界第二大死亡原因，具有极高的致死率和致残率。患者即使幸存也常常伴有不同程度的神经功能障碍，导致生活质量受损，这给患者、家人以及社会带来了沉重负担。
[0003]目前，治疗缺血性脑卒中的主要手段包括静脉或动脉注射TPA和介入式手术治疗。适当的治疗策略能够使患者得到最佳的治疗和康复，但不可避免地是治疗过程中存在或多或少的风险，因此在选择治疗方案时，个体风险与患者受益都是被考虑的重要因素。因此，精准的预后预测能够帮助医生为患者量身定制适配的治疗方案，辅助安排康复训练计划，减少患者愈后不良的情况，为家庭和社会减轻负担。
[0004]目前，在缺血性卒中溶栓治疗前通常通过美国国立卫生研究院卒中量表(National Institutes of Health Stroke Scale,NIHSS)评分、临床症状、辅助检查结果来评估治疗决策，评估方法简单易行；但该方法较依赖医生的经验，对于治疗预后的预测无法做到量化，预测准确性有待提高。也有部分学者仅基于医学影像展开相关研究，利用传统影像特征通过人工智能的方法进行风险预测。利用如Vgg
‑
16孪生网络等人工智能方式对图像进行处理执行90天预后状态的预测，但预测精度并不理想。因此，亟待提出一种能够对脑卒中患者预后状况进行准确评估预测的方案。
专利技术内容
[0005]本公开提出了一种预测模型构建方法及装置、预测方法及装置、电子设备。
[0006]根据本公开的一方面，提供了一种预后状态预测模型的构建方法，其包括：
[0007]获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征，所述感兴趣区域包括异常区域；
[0008]从所述第一影像特征中筛选出满足预设条件的第二影像特征；
[0009]基于所述第二影像特征得到生存特征；
[0010]基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型。
[0011]在一些可能的实施方式中，所述从所述第一影像特征中筛选出满足预设条件的第二影像特征，包括：
[0012]基于多级特征选择策略，确定所述第二影像特征的特征项；
[0013]从所述第一影像特征中筛选出所述特征项，得到所述第二影像特征。
[0014]在一些可能的实施方式中，所述感兴趣区域还包括正常区域，脑灌注影像集中的脑灌注影像包括多个时刻的脑影像；
[0015]所述基于多级特征选择策略，确定所述第二影像特征的特征项，包括：
[0016]基于所述多个时刻，分别提取所述感兴趣区域的第一影像特征；
[0017]基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常组织和所述异常组织的第二影像特征。
[0018]在一些可能的实施方式中，所述基于所述第二影像特征得到生存特征，包括：
[0019]利用生存模型预测所述第二影像特征的预后风险；
[0020]基于所述预后风险确定所述生存特征；
[0021]和/或
[0022]所述基于所述第二影像特征得到生存特征，包括：
[0023]获取所述脑灌注影像集对应的临床文本信息，所述临床文本信息包括年龄；
[0024]利用生存模型预测在所述年龄情况下，所述第二影像特征的预后风险；
[0025]基于所述预后风险确定所述生存特征。
[0026]在一些可能的实施方式中，所述获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征，包括：
[0027]确定所述脑灌注影像的感兴趣区域，所述感兴趣区域包括异常组织；
[0028]基于所述脑灌注影像内的多个时刻的脑影像，提取所述感兴趣区域的第一影像特征。
[0029]在一些可能的实施方式中，所述方法还包括：
[0030]在从所述第一影像特征中筛选出满足预设条件的第二影像特征的情况下，确定最优特征选择方法；
[0031]以及所述基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型，包括：
[0032]基于所述最优特征选择方法从所述第二影像特征中选择出与预后状态相关的预后特征；
[0033]基于所述预后特征和所述生存特征的组合特征，训练模型，并得到用于评估预后状态的预测模型；或者
[0034]所述基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型，包括：
[0035]基于所述最优特征选择方法从所述第二影像特征和临床文本信息中选择出与预后状态相关的预后特征；
[0036]基于所述预后特征和所述生存特征的组合特征，训练模型，并得到用于评估预后状态的预测模型；或者
[0037]所述基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型，包括：
[0038]基于所述最优特征选择方法从所述第二影像特征选择出与预后状态相关的预后特征；
[0039]基于所述预后特征、临床文本特征以及所述生存特征的组合特征，训练模型，并得到用于评估预后状态的预测模型。
[0040]根据本公开的第二方面，提供了一种预后状态的风险预测方法，其包括：
[0041]获取脑灌注影像内感兴趣区域的第一影像特征；
[0042]从所述第一影像特征中筛选出满足预设条件的第二影像特征；
[0043]基于所述第二影像特征得到生存特征；
[0044]利用预测模型，基于所述第二影像特征和所述生存特征预测在预设时间内的预后状态，所述预测模型由第一方面中任意一项所述的预后状态预测模型的构建方法得到。
[0045]根据本公开的第三方面，提供了一种预后状态预测模型的构建装置，其包括：
[0046]第一获取模块，用于获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征；
[0047]第一筛选模块，用于从所述第一影像特征中筛选出满足预设条件的第二影像特征；
[0048]第一生存模块，用于基于所述第二影像特征得到生存特征；
[0049]训练模块，用于基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型。
[0050]根据本公开的第四方面，提供了一种预后状态预测装置，其包括：
[0051]第二获取模块，用于获取脑灌注影像内感兴趣区域的第一影像特征；
[0052]第二筛选模块，用于从所述第一影像特征中筛选出满足预设条件的第二影像特征；
[0053]第二生存模块，用于基于所述第二影像特征得到生存特征；
[0054]预测模块，用于利用预测模型，基于所述第二影像特征和所述生存特征预测在预设时间内的预后状态。
[0055]根据本公开的第五方面，提供了一种电子设备，其包括：...

【技术保护点】

【技术特征摘要】
1.一种预后状态预测模型的构建方法，其特征在于，包括：获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征，所述感兴趣区域包括异常区域；从所述第一影像特征中筛选出满足预设条件的第二影像特征；基于所述第二影像特征得到生存特征；基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型。2.根据权利要求1所述的方法，其特征在于，所述从所述第一影像特征中筛选出满足预设条件的第二影像特征，包括：基于多级特征选择策略，确定所述第二影像特征的特征项；从所述第一影像特征中筛选出所述特征项，得到所述第二影像特征。3.根据权利要求2所述的方法，其特征在于，所述感兴趣区域还包括正常区域，脑灌注影像集中的脑灌注影像包括多个时刻的脑影像；所述基于多级特征选择策略，确定所述第二影像特征的特征项，包括：基于所述多个时刻，分别提取所述感兴趣区域的第一影像特征；基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常组织和所述异常组织的第二影像特征。4.根据权利要求1
‑
3中任意一项所述的方法，其特征在于，所述基于所述第二影像特征得到生存特征，包括：利用生存模型预测所述第二影像特征的预后风险；基于所述预后风险确定所述生存特征；和/或所述基于所述第二影像特征得到生存特征，包括：获取所述脑灌注影像集对应的临床文本信息，所述临床文本信息包括年龄；利用生存模型预测在所述年龄情况下，所述第二影像特征的预后风险；基于所述预后风险确定所述生存特征。5.根据权利要求1所述的方法，其特征在于，所述获取脑灌注影像集内各脑灌注影像的感兴趣区域的第一影像特征，包括：确定所述脑灌注影像的感兴趣区域，所述感兴趣区域包括异常组织；基于所述脑灌注影像内的多个时刻的脑影像，提取所述感兴趣区域的第一影像特征。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：在从所述第一影像特征中筛选出满足预设条件的第二影像特征的情况下，确定最优特征选择方法；以及所述基于所述第二影像特征和所述生存特征，训练模型，并得到用于评估预后状态的预测模型，包括：基于所述最优特征选择方法从所述第二影像特征中选择出与预后状态相关的预后特征；基于所述预后特征和所述...

【专利技术属性】
技术研发人员：康雁，郭英委，冯孟婷，曾学强，缪晓强，杨英健，曹冯秋，
申请(专利权)人：东北大学，
类型：发明
国别省市：