【技术实现步骤摘要】
本专利技术涉及医疗图像处理，更具体地说，它涉及一种基于大数据的脑卒中预测方法、系统及存储介质。
技术介绍
1、脑卒中(stroke)是脑中风的学名，是一种突然起病的脑血液循环障碍性疾病，又叫脑血管意外。其是指在脑血管疾病的病人，因各种诱发因素引起脑内动脉狭窄，闭塞或破裂，而造成急性脑血液循环障碍，临床上表现为一次性或永久性脑功能障碍的症状和体征。脑卒中分为缺血性脑卒中和出血性脑卒中。缺血性脑卒中由于脑动脉狭窄、闭塞、脑血栓、炎症感染等原因引发，在颅脑mri上风险点显示不明显，通过一般的图像卷积网络难以提取用于颅脑mri图像上用于预测缺血性脑卒中的发病风险。
技术实现思路
1、本专利技术提供一种基于大数据的脑卒中预测方法、系统及存储介质，用于预测缺血性脑卒中的发病风险。
2、本专利技术提供了一种基于大数据的脑卒中预测方法，包括以下步骤：
3、步骤s101，提取参照颅脑mri图像集和当前颅脑mri图像集；
4、步骤s102，将参照颅脑mri图像集和当前颅脑mri图像集合并获得综合图集；综合图集中的图像单元按照沿成像方位的顺序进行排序；
5、步骤s103，基于当前颅脑mri图像集合中的图像单元来生成邻接矩阵，当前颅脑mri图像集合中的图像单元的大小相同，邻接矩阵的大小为n*n，其中n为图像单元的像素数，邻接矩阵的元素值均为1；
6、步骤s104，将综合图集和邻接矩阵输入预测模型中，预测模型包括卷积模块、滤波模块、空间连接模块和全
7、一个滤波图像的一个通道对应一个滤波器滤波处理的结果，综合图集中第i和i+1个图像单元处理获得的滤波图像为每个像素生成一个像素特征，像素特征的一个分量对应于滤波图像的一个通道的像素值；
8、空间连接模块包括图连接模块和时序模块，将滤波图像的像素特征和邻接矩阵输入图连接模块，图连接模块输出像素编码特征，像素编码特征还原为多通道的编码图像，对多通道的编码图像进行1*1的卷积核的卷积获得降维图像；
9、时序模块一个时间步输入一个降维图像，每个时间步输出一个输出特征，输出特征输入全连接层，全连接层输出表示脑卒中风险等级的值。
10、进一步地，参照颅脑mri图像集和当前颅脑mri图像集均是一组图像，并且采集时患者的体位相同，采集的成像方位相同。
11、进一步地，横轴位的一组颅脑mri图像包括经顶骨轴位切面图像、经上矢状窦轴位切面图像、经中央旁小叶上部轴位切面图像、经中央旁小叶下部轴位切面图像、经半卵圆中心轴位切面图像、经扣带回轴位切面图像、经侧脑室体部轴位切面图像、经胼胝体膝部轴位切面图像、经室间孔轴位切面图像、经第三脑室轴位切面图像、经大脑脚轴位切面图像、经脑桥轴位切面图像、经海绵窦轴位切面图像、经第四脑室中央轴位切面图像、经第四脑室下部轴位切面图像、经第四脑室侧孔轴位切面图像、经第四脑室正中孔轴位切面图像、经下颌头轴位切面图像、经小脑扁桃体轴位切面图像、经枕骨大孔轴位切面图像。
12、进一步地，脑卒中风险等级包括一级、二级、三级和四级。
13、进一步地，卷积模块的计算公式如下：
14、r(0)＝e(1)
15、i(t)＝σ(wii∴e(t)+wrir(t-1)+bri)
16、f(t)＝σ(wif∴e(t)+wrfr(t-1)+brf)
17、g(t)＝tanh(wig∴e(t)+wrgr(t-1)+brg)
18、o(t)＝σ(wio∴e(t)+wror(t-1)+bro)
19、v(t)＝f(t)*v(t-1)+i(t)*g(t)
20、r(t)＝o(t)⊙tanh(v(t))
21、其中e(t)表示第t个时间步输入的综合图集中的图像单元，r(t)表示第t个时间步的输出特征图；⊙表示点积，∴表示卷积，wii、wif、wig、wio表示卷积核参数，wri、wrf、wrg、wro表示权重参数，bri、brf、brg、bro表示偏置参数。
22、进一步地，图连接模块的计算公式如下：
23、
24、
25、h(0)＝x(1)
26、u(t)＝σ(wug[x(t)]+wug[h(t-1)]+bu)
27、r(t)＝σ(wrg[x(t)]+wrg[h(t-1)]+br)
28、c(t)＝tanh(wcg[x(t)]+wcg[r(t)⊙h(t-1)]+bc)
29、
30、
31、h(t)＝(1-u(t))⊙c(t)+u(t)⊙h(t-1)
32、其中x(t)表示第t个时间步输入的像素特征矩阵，像素特征矩阵的第i个行向量表示滤波图像的第i个像素的像素特征；表示邻接矩阵与单位矩阵的和，表示的度矩阵，h(t)表示第t个时间步的像素编码特征矩阵，像素编码特征矩阵的第i个行向量表示滤波图像的第i个像素的像素编码特征；⊙表示点积，w、wu、wr、wc表示权重参数，bu、br、bc表示偏置参数。
33、进一步地，时序模块的计算公式如下：
34、z(0)＝y(1)
35、a(t)＝σ(way(t)+waz(t-1)+ba)
36、b(t)＝σ(wby(t)+wbz(t-1)+bb)
37、d(t)＝tanh(wdy(t)+wdr(t)⊙z(t-1)+bd)
38、z(t)＝(1-a(t))⊙d(t)+a(t)⊙z(t-1)
39、其中y(t)表示第t个时间步输入的降维图像；h(t)表示第t个时间步的输出特征；⊙表示点积，wa、wb、wd表示权重参数，ba、bb、bd表示偏置参数。
40、进一步地，卷积模块进行独立训练，卷积模块训练时需要连接滤波模块，以同一时间段存在成像方位差或患者体位差的两个颅脑mri图像集作为训练样本，或者以不同时间段的相同成像方位和患者体位的两个颅脑mri图像集作为训练样本，以两个颅脑mri图像集对应的图像单元的滤波图像之间的差的均值作为损失。
41、本专利技术提供了一种基于大数据的脑卒中预测系统，包括：
42、图像提取模块，提取参照颅脑mri图像集和当前颅脑mri图像集；
43、图集生成模块，将参照颅脑mri图像集和当前颅脑mri图像集合并获得综合图集；
44、邻接矩阵生成模块，基于当前颅脑mri图像集合中的图像单元来生成邻接矩阵；
45、预测模块，将综合图集和邻接矩阵输入预测模型中，预测模型包括卷积模块、滤波模块、空间连接模块和全连接层，其中卷积模块的一个时间步按照顺序输入两个综合图集中的图本文档来自技高网...
【技术保护点】
1.一种基于大数据的脑卒中预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于大数据的脑卒中预测方法，其特征在于，参照颅脑MRI图像集和当前颅脑MRI图像集均是一组图像，并且采集时患者的体位相同，采集的成像方位相同。
3.根据权利要求1所述的一种基于大数据的脑卒中预测方法，其特征在于，横轴位的一组颅脑MRI图像包括经顶骨轴位切面图像、经上矢状窦轴位切面图像、经中央旁小叶上部轴位切面图像、经中央旁小叶下部轴位切面图像、经半卵圆中心轴位切面图像、经扣带回轴位切面图像、经侧脑室体部轴位切面图像、经胼胝体膝部轴位切面图像、经室间孔轴位切面图像、经第三脑室轴位切面图像、经大脑脚轴位切面图像、经脑桥轴位切面图像、经海绵窦轴位切面图像、经第四脑室中央轴位切面图像、经第四脑室下部轴位切面图像、经第四脑室侧孔轴位切面图像、经第四脑室正中孔轴位切面图像、经下颌头轴位切面图像、经小脑扁桃体轴位切面图像、经枕骨大孔轴位切面图像。
4.根据权利要求1所述的一种基于大数据的脑卒中预测方法，其特征在于，脑卒中风险等级包括一级、二级、三级和四级。
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。