【技术实现步骤摘要】
本专利技术涉及医疗影像处理，具体涉及一种基于头部mri-dwi影像的首诊ais患者严重程度判断方法。
技术介绍
1、急性缺血性卒中(acute ischemic stroke，ais)是常见的心脑血管病，在所有心脑血管病死亡中居第二位，是影响人类生命健康的主要慢性非传染性疾病，是世界第三大死因。通过对脑卒中患者信息的统计发现，我国缺血性脑卒中约占脑卒中的69.6％-77.8％，每年患病总人数呈现不断上升趋势。近20多年来，我国脑卒中患病每年以8.7％速度增加。ais具备高发病率、高死亡率、高致残率的特点，为社会带来了沉重的卫生经济负担。临床上，神经科医师需对重症ais患者进行紧密观察、检测，尽早识别意识障碍、颅内压升高、脏器衰竭等重症体征，从而及时干预，避免患者病情急剧恶化。因此，对于ais患者严重程度的快速、准确判断，对于治疗方案的制定、治疗效率的提高具有重要意义。
2、目前，ais患者的严重程度的分级最为经典的方法与依据为美国国立卫生研究院卒中量表(national institute of health stroke scale,nihss)评分，nihss评分包含11个项目，每个项目代表脑卒中后的不同类型的功能障碍，这些项目反映了患者的运动、感觉、语言、认知以及视野等方面的表现，每一个项目根据患者表现的好坏赋予0到5分(0分表示无异常)，nihss评分范围是从0分(无症状)到42分(完全残疾)。nihss评分虽然是一个广泛使用的工具，但对于那些由于昏迷、肌肉松弛或语言障碍等其他原因无法配合的患者，评估可能变得
技术实现思路
1、针对现有技术中存在的上述问题，现提供一种基于头部mri-dwi影像的首诊ais患者严重程度判断方法。
2、具体技术方案如下：
3、一种基于头部mri-dwi影像的首诊ais患者严重程度判断方法，包括：
4、步骤s1：采用第一处理模型提取待判别患者的头部mri-dwi影像中的梗死核心区信息，以及，采集所述待判别患者的临床信息；
5、所述梗死核心区信息包括关联于nihss评分的梗死核心区的体积信息与所述梗死核心区的位置信息；
6、步骤s2：采用第二处理模型对所述梗死核心区信息和所述临床信息进行融合，并分类得到对应于所述待判别患者的严重程度。
7、另一方面，所述步骤s1中，所述第一处理模型包括：
8、梗死区提取模块，所述梗死区提取模块对所述头部mri-dwi影像进行识别以得到预识别梗死核心区；
9、责任区域计算模块，所述责任区域计算模块依照所述头部mri-dwi影像进行逐体素计算，以确定每个体素与所述nihss评分的关联性并绘制责任区域地图；
10、交联模块，所述交联模块分别连接所述梗死区提取模块和所述责任区域计算模块，所述交联模块对所述预识别梗死核心区和所述责任区域地图进行叠加以获取关联于nihss评分的梗死核心区，并提取所述梗死核心区信息。
11、另一方面，所述梗死区提取模块包括：
12、编解码模块，所述编解码模块通过依次设置的多个编码器和多个解码器对输入的所述头部mri-dwi影像进行处理得到分割区域；
13、模板配准模块，所述模板配准模块连接所述编解码模块，所述模板配准模块对所述分割区域采用标准脑模板进行配准得到所述预识别梗死核心区。
14、另一方面，所述责任区域计算模块包括：
15、逐体素处理模块，所述逐体素处理模块对输入的所述头部mri-dwi影像的每个所述体素分别进行处理，以确定所述体素与梗死症状之间的相关性评分；
16、多变量关联性处理模块，所述多变量关联性处理模块连接所述逐体素处理模块，所述多变量关联性模块依照所述相关性评分处理得到多个关联于所述梗死症状的关联体素；
17、责任区域生成模块，所述责任区域生成模块连接所述多变量关联性处理模块，所述责任区域处理模块依照所述关联体素生成所述责任区域地图。
18、另一方面，所述步骤s2中，所述第二处理模型包括：
19、图像输入模块，所述图像输入模块依照所述梗死核心区信息自所述头部mri-dwi影像中提取待融合区域图像；
20、多级特征融合模块，所述多级特征融合模块通过多个卷积层依次对所述待融合区域图像提取多个感受野上的图像特征，并进行特征融合得到多级融合图像特征；
21、嵌入模块，所述嵌入模块对输入的所述临床信息构建嵌入向量；
22、多模态融合模块，所述多模态融合模块分别连接所述多级特征融合模块和所述嵌入模块，所述多模态融合模块对所述嵌入向量和所述多级融合图像特征进行融合处理得到多模态特征；
23、分类模块，所述分类模块连接所述多模态融合模块，所述分类模块依照所述多模态特征进行分类得到所述严重程度。
24、另一方面，所述多级特征融合模块包括：
25、多个依次连接的下采样层，所述多个下采样层对输入的所述待融合区域图像依次进行下采样处理；
26、特征融合模块，所述特征融合模块分别对每一级所述下采样层的输出图像提取所述图像特征并融合得到所述多级融合图像特征；
27、多个依次连接上采样层，多个所述上采样层依次连接并对上采样图像进行上采样处理；
28、第一级的所述上采样层连接最后一级所述下采样层并获取所述下采样层的所述输出图像作为所述上采样图像；
29、最后一级的所述上采样层将所述上采样图像作为模型分割图像输出；
30、所述分类模块还接收所述模型分割图像并与所述多模态特征共同进行分类得到所述严重程度。
31、另一方面，所述嵌入模块包括：
32、one-hot编码模块，所述one-hot编码模块将输入的所述临床信息进行编码得到编码向量；
33、归一化模块，所述归一化模块连接所述one-hot编码模块，所述归一化模块对所述编码向量进行归一化处理得到所述嵌入向量。
34、另一方面，所述多模态融合模块包括：
35、特征拼接模块，所述特征拼接模块对所述嵌入向量和所述多级融合图像特征进行拼接得到拼接特征；
36、第一融合模块，所述第一融合模块连接所述特征拼接模块，所述第一融合模块对所述拼接特征和所述多级融合图像特征进行融合并归一化处理得到第一融合特征；
37、第二融合模块，所述第二融合模块连接所述特征拼接模块，所述第二融合模块对所述拼接特征和所述嵌入向量进行融合并归一化处理得到第二融合特征；
38、输出模块，所述输出模块分别连接所述第一融合模块和所述第二融合模块，所述输出模块对所述第一融合特征和所述第二融合特征进行融合后得到所述多模态特征进行输出。
39、上述技术方案具有如下优点或有益效果：
40本文档来自技高网...
【技术保护点】
1.一种基于头部MRI-DWI影像的首诊AIS患者严重程度判断方法，其特征在于，包括：
2.根据权利要求1所述的首诊AIS患者严重程度判断方法，其特征在于，所述步骤S1中，所述第一处理模型包括：
3.根据权利要求2所述的首诊AIS患者严重程度判断方法，其特征在于，所述梗死区提取模块包括：
4.根据权利要求2所述的首诊AIS患者严重程度判断方法，其特征在于，所述责任区域计算模块包括：
5.根据权利要求1所述的首诊AIS患者严重程度判断方法，其特征在于，所述步骤S2中，所述第二处理模型包括：
6.根据权利要求5所述的首诊AIS患者严重程度判断方法，其特征在于，所述多级特征融合模块包括：
7.根据权利要求5所述的首诊AIS患者严重程度判断方法，其特征在于，所述嵌入模块包括：
8.根据权利要求5所述的首诊AIS患者严重程度判断方法，其特征在于，所述多模态融合模块包括：
【技术特征摘要】
1.一种基于头部mri-dwi影像的首诊ais患者严重程度判断方法，其特征在于，包括：
2.根据权利要求1所述的首诊ais患者严重程度判断方法，其特征在于，所述步骤s1中，所述第一处理模型包括：
3.根据权利要求2所述的首诊ais患者严重程度判断方法，其特征在于，所述梗死区提取模块包括：
4.根据权利要求2所述的首诊ais患者严重程度判断方法，其特征在于，所述责任区域计算模块包括：
...【专利技术属性】
技术研发人员：魏来，周翔，张康微，王培军，韩砆石，孟瑾茜，
申请(专利权)人：上海市同济医院，
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。