【技术实现步骤摘要】
本专利技术涉及图像处理，具体为血肿变化概率的预测方法、系统、存储介质及设备。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、在医学领域中，脑卒中是一种导致脑组织受损的疾病，包括缺血性和出血性两种类型，其中，出血性脑卒中没有外伤病史，而是会在颅内和脑实质出血形成血肿损害患者脑部神经。
3、现有技术通过脑部图像数据，结合血压、凝血功能、出血量以及患者年龄等资料，由医生的主观经验预测出患者脑部血肿发生扩张、血肿周围水肿形态变化等情况的概率，效率底下且准确率不高，一些计算机程序虽然可以搭载训练完毕的预测模型，帮助医生捕捉到与血肿发展相关的生物标志物或影像特征，从而输出血肿发生变化的概率，但受到数据集质量和规模的影响，以及可能存在的标注不精确、样本不均衡等问题，模型的准确性并不理想，导致模型在处理来自不同来源、不同设备或不同人群的数据时，表现出较差的泛化能力，这意味着模型可能在特定数据集上表现良好，但在实际应用中的性能大打折扣。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题，本专利技术提供血肿变化概率的预测方法、系统、存储介质及设备，根据脑部图像和相应的患者信息以及诊疗方案，结合预后数据对血肿发生变化的概率进行预测。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一个方面提供血肿变化概率的预测方法，包括以下步骤：
4、获取脑部图像数据和对应患者的诊疗
5、基于图像数据提取出血肿及水肿的体积、位置、形状以及分布信息，与诊疗历史数据关联，形成数据集并预处理；
6、预处理后的数据集通过抽取不同特征形成不同的训练子集，分别预测不同类型的血肿变化事件是否发生，经聚类处理得到输入的脑部图像数据中血肿发生变化的概率。
7、本专利技术的第二个方面提供血肿变化概率的预测系统，包括：
8、原始数据采集模块，被配置为：获取脑部图像数据和对应患者的诊疗历史数据；
9、数据集构建模块，被配置为：基于图像数据提取出血肿及水肿的体积、位置、形状以及分布信息，与诊疗历史数据关联，形成数据集并预处理；
10、预测模型模块，被配置为：预处理后的数据集通过抽取不同特征形成不同的训练子集，分别预测不同类型的血肿变化事件是否发生，经聚类处理得到输入的脑部图像数据中血肿发生变化的概率。
11、进一步的，患者的诊疗历史数据通过提取患者病历中的文本数据，获取患者个人信息、疾病史以及诊疗史。
12、进一步的，预处理通过减去均值并除以标准差，将特征数据转换为均值为0、标准差为1的分布。
13、进一步的，每一个训练子集对应一个决策树，多个决策树形成集成的预测模型。
14、进一步的，通过确定集成预测模型的最大树深、树的个数以及类权重参数，经过网格搜索,得到集成预测模型的最佳超参数。
15、进一步的，基于患者的诊疗历史数据中的设定因素，将患者分为不同组，分别得到每个组的水肿体积随时间变化的曲线，经均值处理，得到协方差矩阵的特征向量，寻找矩阵满足的对角阵，并对对角值进行降序排列，选取主成分个数构建矩阵作为成分矩阵。
16、进一步的，得到的成分矩阵中，通过随机初始化k个点作为簇质心，将样本集中的每个点分配到一个簇中，并计算每个点与质心之间的距离，将其分配到距离最近的质心所对应的簇中，继续更新簇的质心，并将质心更新为当前簇中所有点的平均值，反复迭代，直到满足设定的迭代次数，确定得到输入的脑部图像数据中血肿发生变化的概率。
17、本专利技术的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述血肿变化概率的预测方法中的步骤。
18、本专利技术的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述血肿变化概率的预测方法中的步骤。
19、与现有技术相比，以上一个或多个技术方案存在以下有益效果：
20、根据脑部图像和相应的患者信息以及诊疗方案，对血肿发生变化的概率进行预测，利用不同的训练子集预测血肿是否发生相应的变化事件，在每个节点的分裂过程中随机选择一部分特征进行评估，而不是考虑所有特征，其具有的随机性有助于提高模型的多样性和泛化能力，集成性有助于减少过拟合风险，提高模型的稳定性和准确性。
本文档来自技高网...【技术保护点】
1.血肿变化概率的预测方法，其特征在于，包括以下步骤：
2.血肿变化概率的预测系统，其特征在于，包括：
3.如权利要求2所述的血肿变化概率的预测系统，其特征在于，患者的诊疗历史数据通过提取患者病历中的文本数据，获取患者个人信息、疾病史以及诊疗史。
4.如权利要求2所述的血肿变化概率的预测系统，其特征在于，所述预处理通过减去均值并除以标准差，将特征数据转换为均值为0、标准差为1的分布。
5.如权利要求2所述的血肿变化概率的预测系统，其特征在于，每一个训练子集对应一个决策树，多个决策树形成集成的预测模型。
6.如权利要求5所述的血肿变化概率的预测系统，其特征在于，通过确定集成预测模型的最大树深、树的个数以及类权重参数，经过网格搜索,得到集成预测模型的最佳超参数。
7.如权利要求2所述的血肿变化概率的预测系统，其特征在于，基于患者的诊疗历史数据中的设定因素，将患者分为不同组，分别得到每个组的水肿体积随时间变化的曲线，经均值处理，得到协方差矩阵的特征向量，寻找矩阵满足的对角阵，并对对角值进行降序排列，选取主成分个数构
8.如权利要求7所述的血肿变化概率的预测系统，其特征在于，得到的成分矩阵中，通过随机初始化k个点作为簇质心，将样本集中的每个点分配到一个簇中，并计算每个点与质心之间的距离，将其分配到距离最近的质心所对应的簇中，继续更新簇的质心，并将质心更新为当前簇中所有点的平均值，反复迭代，直到满足设定的迭代次数，确定得到输入的脑部图像数据中血肿发生变化的概率。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1所述的血肿变化概率的预测方法中的步骤。
10.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如权利要求1所述血肿变化概率的预测方法中的步骤。
...【技术特征摘要】
1.血肿变化概率的预测方法，其特征在于，包括以下步骤：
2.血肿变化概率的预测系统，其特征在于，包括：
3.如权利要求2所述的血肿变化概率的预测系统，其特征在于，患者的诊疗历史数据通过提取患者病历中的文本数据，获取患者个人信息、疾病史以及诊疗史。
4.如权利要求2所述的血肿变化概率的预测系统，其特征在于，所述预处理通过减去均值并除以标准差，将特征数据转换为均值为0、标准差为1的分布。
5.如权利要求2所述的血肿变化概率的预测系统，其特征在于，每一个训练子集对应一个决策树，多个决策树形成集成的预测模型。
6.如权利要求5所述的血肿变化概率的预测系统，其特征在于，通过确定集成预测模型的最大树深、树的个数以及类权重参数，经过网格搜索,得到集成预测模型的最佳超参数。
7.如权利要求2所述的血肿变化概率的预测系统，其特征在于，基于患者的诊疗历史数据中的设定因素，将患者分为不同组，分...
【专利技术属性】
技术研发人员：朱孟坤，张鹏，高赞，陈孟龙，刘文秋，陈雨婷，陈思琪，马昕阳，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：
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。