本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體而言，涉及一種腦卒中類型預(yù)測(cè)方法以及裝置。

背景技術(shù)：

腦卒中(stroke)是腦中風(fēng)的學(xué)名，是一種突然起病的腦血液循環(huán)障礙性疾病，又叫腦血管意外。其是指在腦血管疾病的病人，因各種誘發(fā)因素引起腦內(nèi)動(dòng)脈狹窄，閉塞或破裂，而造成急性腦血液循環(huán)障礙，臨床上表現(xiàn)為一次性或永久性腦功能障礙的癥狀和體征。腦卒中分為缺血性腦卒中和出血性腦卒中。卒中在腦血管造影中的顯示特征為腦動(dòng)脈狹窄、閉塞或扭曲。

隨著計(jì)算機(jī)技術(shù)以及臨床診斷技術(shù)的不斷發(fā)展與成熟，dicom(digitalimagingandcommunicationsinmedicine，醫(yī)學(xué)數(shù)字成像和通信)被廣泛應(yīng)用于放射醫(yī)療，心血管成像以及放射診療診斷設(shè)備(x射線，ct，核磁共振，超聲等)中，對(duì)腦卒中各個(gè)衡量指標(biāo)的計(jì)算也越來(lái)越依賴dicom醫(yī)學(xué)影像。臨床上腦卒中的診斷主要依賴于人工標(biāo)定mri圖像數(shù)據(jù)或者ct圖像影像數(shù)據(jù)，從而對(duì)疾病相關(guān)的衡量指標(biāo)的進(jìn)行測(cè)算(動(dòng)脈的直徑、是否有堵塞或者是否有扭曲、是否有出血部位等)，進(jìn)而給出相應(yīng)的治療方案。

對(duì)于腦卒中患者來(lái)說(shuō)，從發(fā)病到治療的“時(shí)間窗”對(duì)降低死亡率、致殘率至關(guān)重要。而卒中治療的“時(shí)間窗”非常短，通常剛要在發(fā)病3小時(shí)或4.5小時(shí)之內(nèi)開(kāi)始，因此需要醫(yī)院竭盡所能縮短中間環(huán)節(jié)，為病人爭(zhēng)取救治時(shí)間。但是在對(duì)病人進(jìn)行腦部血管造影到醫(yī)生拿到dicom影像數(shù)據(jù)，兩者之間時(shí)間差較大，再采用人工標(biāo)定衡量指標(biāo)，并通過(guò)人工判斷衡量指標(biāo)的方式來(lái)對(duì)腦卒中進(jìn)行診斷，所耗時(shí)間過(guò)久，容易導(dǎo)致病情被拖延，且在診斷的時(shí)候需要經(jīng)驗(yàn)豐富的醫(yī)生，容易由于人為差異導(dǎo)致病情判斷不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明實(shí)施例的目的在于提供一種腦卒中模型建立方法以及裝置，能夠?qū)δX卒中的各項(xiàng)衡量指標(biāo)進(jìn)行更迅速準(zhǔn)確的標(biāo)定。

第一方面，本發(fā)明實(shí)施例提供了一種腦卒中類型預(yù)測(cè)方法，包括：

獲取多個(gè)腦卒中病人的腦部樣本圖像，并獲取與每一張腦部樣本圖像對(duì)應(yīng)的病灶信息；

根據(jù)所述病灶信息，利用機(jī)器學(xué)習(xí)的方法對(duì)所述腦部樣本圖像進(jìn)行特征描述，生成腦卒中病灶信息數(shù)據(jù)模型；

當(dāng)獲取腦部掃描圖像后，使用所述腦卒中病灶信息數(shù)據(jù)模型對(duì)腦部掃描圖像進(jìn)行卒中類型預(yù)測(cè)。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第一種可能的實(shí)施方式，其中：還包括：

獲取腦部圖像，并對(duì)腦部圖像進(jìn)行預(yù)處理，獲取所述腦部樣本圖像。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第二種可能的實(shí)施方式，其中：所述對(duì)腦部圖像進(jìn)行預(yù)處理，具體包括：

對(duì)腦部圖像進(jìn)行篩選，去除沒(méi)有病灶的腦部圖像；

對(duì)去除沒(méi)有病灶的腦部圖像后，所剩余的腦部圖像進(jìn)行高斯濾波或者平滑濾波處理，去除噪音，獲取去噪圖像；

對(duì)所述去噪圖像進(jìn)行降維處理，獲取腦部樣本圖像。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第三種可能的實(shí)施方式，其中：所述病灶信息包括：卒中類型以及病灶輪廓信息；

所述根據(jù)所述病灶信息，利用機(jī)器學(xué)習(xí)的方法對(duì)所述腦部樣本圖像進(jìn)行特征描述，生成腦卒中病灶信息數(shù)據(jù)模型，具體包括：

根據(jù)與每一張腦部樣本圖像對(duì)應(yīng)的病灶輪廓信息，從所述腦部樣本圖像中提取腦部樣本圖像的紋理特征、顏色特征；

采用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，對(duì)所述紋理特征以及顏色特征進(jìn)行學(xué)習(xí)訓(xùn)練，建立卒中類型與紋理特征以及顏色特征之間的關(guān)聯(lián)關(guān)系，生成腦卒中病灶信息數(shù)據(jù)模型。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第四種可能的實(shí)施方式，其中：所述使用所述腦卒中病灶信息數(shù)據(jù)模型對(duì)腦部掃描圖像進(jìn)行卒中類型預(yù)測(cè)，具體包括：

對(duì)腦部掃描圖像進(jìn)行預(yù)處理，獲取預(yù)處理后的腦部掃描圖像；

使用超像素方法和網(wǎng)格法對(duì)腦部掃描圖像進(jìn)行分割，獲取多張分割圖像；

從每張所述分割圖像中提取預(yù)設(shè)特征所對(duì)應(yīng)的特征值；所述預(yù)設(shè)特征與所述腦卒中病灶信息數(shù)據(jù)模型中的特征一致；

使用每一張分割圖像對(duì)應(yīng)的特征值，作為腦卒中病灶信息數(shù)據(jù)模型的輸入，獲取模型輸出，并根據(jù)模型輸出確定卒中類型。

第二方面，本發(fā)明實(shí)施例還提供一種腦卒中類型預(yù)測(cè)裝置，包括：

樣本獲取單元，用于獲取多個(gè)腦卒中病人的腦部樣本圖像，并獲取與每一張腦部樣本圖像對(duì)應(yīng)的病灶信息；

機(jī)器學(xué)習(xí)單元，用于根據(jù)所述病灶信息，利用機(jī)器學(xué)習(xí)的方法對(duì)所述腦部樣本圖像進(jìn)行特征描述，生成腦卒中病灶信息數(shù)據(jù)模型；

卒中類型預(yù)測(cè)單元，用于在獲取腦部掃描圖像時(shí)，使用所述腦卒中病灶信息數(shù)據(jù)模型對(duì)腦部掃描圖像進(jìn)行卒中類型預(yù)測(cè)。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第一種可能的實(shí)施方式，其中：還包括：圖像預(yù)處理單元，其用于獲取腦部圖像，并對(duì)腦部圖像進(jìn)行預(yù)處理，獲取所述腦部樣本圖像。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第二種可能的實(shí)施方式，其中：所述圖像預(yù)處理單元，具體包括：

圖像篩選模塊，用于對(duì)腦部圖像進(jìn)行篩選，去除沒(méi)有病灶的腦部圖像；

去噪模塊，用于對(duì)去除沒(méi)有病灶的腦部圖像后，所剩余的腦部圖像進(jìn)行高斯濾波或者平滑濾波處理，去除噪音，獲取去噪圖像；

降維模塊，用于對(duì)所述去噪圖像進(jìn)行降維處理，獲取腦部樣本圖像。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第三種可能的實(shí)施方式，其中：所述機(jī)器學(xué)習(xí)單元具體包括：

特征提取模塊，用于根據(jù)與每一張腦部樣本圖像對(duì)應(yīng)的病灶輪廓信息，從所述腦部樣本圖像中提取腦部樣本圖像的紋理特征、顏色特征；

深度學(xué)習(xí)模塊，用于采用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，對(duì)所述紋理特征以及顏色特征進(jìn)行學(xué)習(xí)訓(xùn)練，建立卒中類型與紋理特征以及顏色特征之間的關(guān)聯(lián)關(guān)系，生成腦卒中病灶信息數(shù)據(jù)模型；

其中，所述病灶信息包括：卒中類型以及病灶輪廓信息。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第四種可能的實(shí)施方式，其中：所述卒中類型預(yù)測(cè)單元，具體包括：

掃描圖像預(yù)處理單元，用于對(duì)腦部掃描圖像進(jìn)行預(yù)處理，獲取預(yù)處理后的腦部掃描圖像；

圖像分割模塊，用于使用超像素方法和網(wǎng)格法對(duì)腦部掃描圖像進(jìn)行分割，獲取多張分割圖像；

特征值提取模塊，用于從每張所述分割圖像中提取預(yù)設(shè)特征所對(duì)應(yīng)的特征值；所述預(yù)設(shè)特征與所述腦卒中病灶信息數(shù)據(jù)模型中的特征一致；

計(jì)算模塊，用于使用每一張分割圖像對(duì)應(yīng)的特征值，作為腦卒中病灶信息數(shù)據(jù)模型的輸入，獲取模型輸出，并根據(jù)模型輸出確定卒中類型。

本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)方法以及裝置，先獲取多個(gè)腦卒中病人的腦部樣本圖像，并獲取與每一張腦部樣本圖像對(duì)應(yīng)的病灶信息；根據(jù)所述病灶信息，利用機(jī)器學(xué)習(xí)的方法對(duì)所述腦部樣本圖像進(jìn)行特征描述，生成腦卒中病灶信息數(shù)據(jù)模型；當(dāng)獲取到需要進(jìn)行預(yù)測(cè)的病人的腦部掃描圖像后，使用所述腦卒中病灶信息數(shù)據(jù)模型對(duì)腦部掃描圖像進(jìn)行卒中類型預(yù)測(cè)時(shí)。在這個(gè)過(guò)程中，預(yù)先采用大數(shù)據(jù)建立了腦卒中病灶信息模型，在判斷的時(shí)候，只需要將病人的腦部掃描圖像直接輸入，使用該模型對(duì)腦部掃描圖像進(jìn)行運(yùn)算，最終模型會(huì)輸出響應(yīng)的速度快，不易造成病情拖延；且這個(gè)過(guò)程不需要人為的參與，也不需要經(jīng)驗(yàn)豐富的醫(yī)生，減輕醫(yī)生的醫(yī)療壓力，同時(shí)，也不會(huì)由于人為差異導(dǎo)致病情判斷不準(zhǔn)確。

為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說(shuō)明如下。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，應(yīng)當(dāng)理解，以下附圖僅示出了本發(fā)明的某些實(shí)施例，因此不應(yīng)被看作是對(duì)范圍的限定，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

圖1示出了本發(fā)明實(shí)施例所提供的一種腦卒中類型預(yù)測(cè)方法的流程圖；

圖2示出了本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)方法中，對(duì)圖像進(jìn)行預(yù)處理，獲得腦部樣本圖像的方法流程圖；

圖3示出了本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)方法中，生成腦卒中病灶信息數(shù)據(jù)模型的方法流程圖；

圖4示出了本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)方法中，使用所述腦卒中病灶信息數(shù)據(jù)模型對(duì)腦部掃描圖像進(jìn)行卒中類型預(yù)測(cè)的方法流程圖；

圖5示出了本發(fā)明實(shí)施例所提供的一種腦卒中類型預(yù)測(cè)裝置的結(jié)構(gòu)示意圖；

圖6示出了本發(fā)明實(shí)施例所提供的另一種腦卒中類型預(yù)測(cè)裝置的結(jié)構(gòu)示意圖；

圖7示出了本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)裝置中，機(jī)器學(xué)習(xí)單元的結(jié)構(gòu)示意圖；

圖8示出了本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)裝置中，機(jī)器學(xué)習(xí)單元的結(jié)構(gòu)示意圖；

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。通常在此處附圖中描述和示出的本發(fā)明實(shí)施例的組件可以以各種不同的配置來(lái)布置和設(shè)計(jì)。因此，以下對(duì)在附圖中提供的本發(fā)明的實(shí)施例的詳細(xì)描述并非旨在限制要求保護(hù)的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實(shí)施例。基于本發(fā)明的實(shí)施例，本領(lǐng)域技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

目前腦卒中在診斷的時(shí)候，主要依賴于人工識(shí)別mri圖像或者ct圖像，標(biāo)定衡量指標(biāo)，并通過(guò)人工判斷恒聊指標(biāo)的方式來(lái)對(duì)腦卒中的類型進(jìn)行診斷，所耗時(shí)間過(guò)久，容易導(dǎo)致病情拖延；同時(shí)，診斷的時(shí)候需要經(jīng)驗(yàn)豐富的醫(yī)生，且由于人為差異導(dǎo)致病情判斷不準(zhǔn)確，基于此，本申請(qǐng)?zhí)峁┑囊环N腦卒中類型預(yù)測(cè)方法以及裝置，能夠?qū)δX卒中的各項(xiàng)衡量指標(biāo)進(jìn)行更迅速準(zhǔn)確的標(biāo)定。

為便于對(duì)本實(shí)施例進(jìn)行理解，首先對(duì)本發(fā)明實(shí)施例所公開(kāi)的一種腦卒中類型預(yù)測(cè)方法進(jìn)行詳細(xì)介紹。

參見(jiàn)圖1所示，本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)方法包括：

s101：獲取多個(gè)腦卒中病人的腦部樣本圖像，并獲取與每一張腦部樣本圖像對(duì)應(yīng)的病灶信息。

在具體實(shí)現(xiàn)的時(shí)候，腦卒中病人的腦部樣本圖像需要廣泛大量的收集，例如以某個(gè)區(qū)域?yàn)槟X部樣本圖像的收集地點(diǎn)，可以針對(duì)該區(qū)域內(nèi)多個(gè)醫(yī)院所就診的病人進(jìn)行針對(duì)性的收集。同時(shí)，腦部樣本圖像通常是從醫(yī)院的醫(yī)療系統(tǒng)中直接導(dǎo)出，且僅僅針對(duì)已經(jīng)確診為腦卒中的病人，所收集的腦部樣本圖像也應(yīng)當(dāng)來(lái)源于不同的機(jī)器設(shè)備，腦卒中的腦部樣本圖像可以是ct(computedtomography，電子計(jì)算機(jī)斷層掃描)圖像，也可以是其他類型，例如核磁共振圖像。數(shù)據(jù)分布要平均。

具體地，在收集腦部樣本圖像的時(shí)候，由于是廣泛大量的收集，并不是所收集的到的每一張腦部圖像中都包含有病灶位置，且圖像在拍攝的時(shí)候，可能會(huì)存在一定的噪音。因此，需要對(duì)獲取的圖像進(jìn)行預(yù)處理，預(yù)處理后得到的圖像集，作為腦部樣本圖像。

參見(jiàn)圖2所示，本發(fā)明實(shí)施例還提供一種對(duì)圖像進(jìn)行預(yù)處理，獲得腦部樣本圖像的過(guò)程，包括：

s201：對(duì)腦部圖像進(jìn)行篩選，去除沒(méi)有病灶圖像。

具體地，由于每一個(gè)病人的腦部圖像在成像時(shí)，通常都會(huì)形成多個(gè)成像，而且并不是每一張圖像上都具有病灶部位，因此，所收集的腦部圖像，需要先將沒(méi)有包含病灶部位的剔除掉，所剩余的即為腦部樣本圖像。

s202：對(duì)去除沒(méi)有病灶的腦部圖像后，所剩余的腦部圖像進(jìn)行高斯濾波或者平滑濾波處理，去除噪音，獲取去噪圖像。

對(duì)腦部圖像進(jìn)行去噪處理，可以剔除例如床板等無(wú)關(guān)信息。

s203：對(duì)所述去噪圖像進(jìn)行降維處理，獲取腦部樣本圖像。

其具體過(guò)程為：通過(guò)單幅圖像數(shù)據(jù)的高維化，將單幅圖像轉(zhuǎn)化為高維空間中的數(shù)據(jù)集合，對(duì)其進(jìn)行非線性降維，尋求其高維數(shù)據(jù)流形本征結(jié)構(gòu)的一維表示向量,將其作為圖像數(shù)據(jù)的特征表達(dá)向量。從而將高維圖像識(shí)別問(wèn)題轉(zhuǎn)化為特征表達(dá)向量的識(shí)別問(wèn)題,大大降低了計(jì)算的復(fù)雜程度,減少了冗余信息所造成的識(shí)別誤差,提高了識(shí)別的精度。降維具有多種方式，可以采用基于特征值的非線性降維法lle(locallylinearembedding，局部線性嵌入)算法：

每一個(gè)數(shù)據(jù)點(diǎn)都可以由其近鄰點(diǎn)的線性加權(quán)組合構(gòu)造得到。

算法的主要步驟分為三步：

(1)尋找每個(gè)樣本點(diǎn)的k個(gè)近鄰點(diǎn)(k是一個(gè)預(yù)先給定的值)；

(2)由每個(gè)樣本點(diǎn)的近鄰點(diǎn)計(jì)算出該樣本點(diǎn)的局部重建權(quán)值矩陣；

(3)由該樣本點(diǎn)的局部重建權(quán)值矩陣和其近鄰點(diǎn)計(jì)算出該樣本點(diǎn)的輸出值，定義一個(gè)誤差函數(shù)。

將最終降維后的數(shù)據(jù)作為圖像的機(jī)器訓(xùn)練的輸入，即腦部樣本圖像。

在獲取了腦部樣本圖像之后，需要獲取與每一張腦部樣本圖像對(duì)應(yīng)的病灶信息。具體地，病灶信息包括：1、卒中類型，即出血性腦卒中或者缺血性腦卒中，其作為后續(xù)機(jī)器學(xué)習(xí)中的分類數(shù)據(jù)。2、病灶的輪廓信息，其應(yīng)當(dāng)包含發(fā)生卒中的部位在圖像中的具體位置，例如如果是出血性腦卒中，那么在腦部樣本圖像中應(yīng)當(dāng)是包含異于正常腦部圖像的出血陰影，該陰影輪廓即為病灶的輪廓信息；如果是缺血性卒中，那么由于血液在腦部血管中形成血栓，血栓形成部位的血管，其形狀和顏色等，在腦部樣本圖像中均應(yīng)當(dāng)是異于正常血管的，該血栓的輪廓，甚至是形成血栓的血管的輪廓就應(yīng)當(dāng)作為病灶輪廓信息。3、出血點(diǎn)位置信息，此信息僅僅針對(duì)出血性卒中而言，因此，如果卒中類型是缺血性卒中，那么與之對(duì)應(yīng)的出血點(diǎn)位置信息為空。

s102：根據(jù)所述病灶信息，利用機(jī)器學(xué)習(xí)的方法對(duì)所述腦部樣本圖像進(jìn)行特征描述，生成腦卒中病灶信息數(shù)據(jù)模型。

在具體實(shí)現(xiàn)的時(shí)候，機(jī)器學(xué)習(xí)訓(xùn)練數(shù)據(jù)，一般包括：訓(xùn)練樣本圖像、測(cè)試樣本圖像。訓(xùn)練樣本圖像，具體用于進(jìn)行模型的訓(xùn)練，而測(cè)試樣本圖像則是用于對(duì)訓(xùn)練出的模型進(jìn)行驗(yàn)證，參數(shù)優(yōu)化等。在本發(fā)明實(shí)施例中，其中的訓(xùn)練樣本圖像即為腦部圖像樣本。在具體利用機(jī)器學(xué)習(xí)方法對(duì)腦部樣本圖像進(jìn)行特征描述的時(shí)候，會(huì)先進(jìn)行腦部樣本圖像上相關(guān)特征的提取。

具體地，參見(jiàn)圖3所示，本發(fā)明實(shí)施例還提供一種生成腦卒中病灶信息數(shù)據(jù)模型的具體方法，包括：

s301：根據(jù)與每一張腦部樣本圖像對(duì)應(yīng)的病灶輪廓信息，從所述腦部樣本圖像中提取腦部樣本圖像的紋理特征、顏色特征。

在具體實(shí)現(xiàn)的時(shí)候，由于正常的腦部位置，與病灶位置在圖像中的顯示，從圖像的紋理上和顏色上均有明顯的差異，因此，在采用機(jī)器學(xué)習(xí)方法對(duì)腦部樣本圖像進(jìn)行訓(xùn)練的時(shí)候，紋理特征和顏色特征作為訓(xùn)練數(shù)據(jù)。而由于已經(jīng)獲得了與每一張腦部樣本圖像對(duì)應(yīng)的病灶病灶信息，即每一張腦部樣本圖像中的病灶位置已經(jīng)標(biāo)記出來(lái)，因此，可以直接從病灶所在的位置進(jìn)行紋理特征的提取。

實(shí)際上在進(jìn)行灶部位紋理特征以及顏色特征提取的時(shí)候，可以采用多種算法，例如采用尺度不變特征轉(zhuǎn)換算法和完整局部二值模式算法提取病灶部位紋理特征。

具體地，顏色特征可以包括：顏色矩。顏色矩是一種有效的顏色特征，是利用線性代數(shù)中矩的概念，將圖像中的顏色分布用其矩表示。利用顏色一階矩(平均值average)、顏色二階矩(方差variance)和顏色三階矩(偏斜度skewness)來(lái)描述顏色分布。利用顏色矩進(jìn)行圖像描述無(wú)需量化圖像特征。由于每個(gè)像素具有顏色空間的三個(gè)顏色通道，因此圖像的顏色矩有9個(gè)分量來(lái)描述。

s302：采用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，對(duì)所述紋理特征以及顏色特征進(jìn)行學(xué)習(xí)訓(xùn)練，建立卒中類型與紋理特征以及顏色特征之間的關(guān)聯(lián)關(guān)系，生成腦卒中病灶信息數(shù)據(jù)模型。

在具體實(shí)現(xiàn)的時(shí)候，機(jī)器訓(xùn)練的過(guò)程，實(shí)際上是已知結(jié)果(卒中類型)，并已知能夠判斷該結(jié)果的各種因素(紋理特征以及顏色特征)，去尋求各種因素權(quán)重的過(guò)程，因此，最終所形成的卒中病灶信息數(shù)據(jù)模型，實(shí)際上就是建立卒中類型以及紋理特征以及顏色特征中間的關(guān)聯(lián)關(guān)系的過(guò)程。具體的，具體的，在獲取到所有腦部樣本圖像所對(duì)應(yīng)的紋理特征以及顏色特征之后，或?qū)?duì)應(yīng)的特征值作為輸入，采用尺寸不變的卷積核，進(jìn)行多層卷積運(yùn)算，最終衡量每一種特征的權(quán)重。

s103：當(dāng)獲取腦部掃描圖像后，使用所述腦卒中病灶信息數(shù)據(jù)模型對(duì)腦部掃描圖像進(jìn)行卒中類型預(yù)測(cè)。

在具體實(shí)現(xiàn)的時(shí)候，由于已經(jīng)得到了卒中病灶信息數(shù)據(jù)模型，因此，當(dāng)再次獲取病人的腦卒中圖像(已經(jīng)被判斷為確實(shí)為卒中，或者并未有具體的判斷)，因此，可以字節(jié)將腦部掃描圖像輸入，使用腦卒中病灶信息數(shù)據(jù)模型對(duì)腦部掃描圖像進(jìn)行卒中類型預(yù)測(cè)，得到準(zhǔn)確的卒中類型。

在具體實(shí)現(xiàn)的時(shí)候，實(shí)際上也是要對(duì)腦部掃描圖像進(jìn)行預(yù)處理的，預(yù)處理的過(guò)程實(shí)際上可以和在模型建立階段對(duì)圖像進(jìn)行預(yù)處理的過(guò)程是類似的，即對(duì)腦部掃描圖像進(jìn)行高斯濾波或者平滑濾波處理，去除噪音，獲取與腦部掃描圖像對(duì)應(yīng)的去噪圖像，然后對(duì)與腦部掃描圖像對(duì)應(yīng)的去噪圖像進(jìn)行降維處理，獲取預(yù)處理后的腦部掃描圖像。

在獲取預(yù)處理后的腦部掃描圖像之后，還會(huì)對(duì)腦部掃描圖像進(jìn)行特診提取，提取與之前建立的腦卒中病灶信息數(shù)據(jù)模型中所使用的相關(guān)特征對(duì)應(yīng)的特征值。

在具體進(jìn)行提取的時(shí)候，由于此時(shí)輸入的是腦部的整張圖像，而在模型建立過(guò)程中，是針對(duì)病灶位置，因此，需要先使用超像素方法和網(wǎng)格法對(duì)腦部掃描圖像進(jìn)行分割，獲取多張分割圖像，然后分別提取每一張分割圖像中的相關(guān)特征值。然后將每一張分割圖像對(duì)應(yīng)的特征值代入到腦卒中病灶信息數(shù)據(jù)模型進(jìn)行運(yùn)算，最終能夠根據(jù)腦卒中病灶信息數(shù)據(jù)模型的輸出，確定卒中的發(fā)生位置，同時(shí)確定卒中的類型。需要注意的是，卒中發(fā)生的位置，要具體結(jié)合分割圖像進(jìn)行判斷，即由于每一張分割圖像均具有對(duì)應(yīng)的身份標(biāo)識(shí)，卻在整個(gè)的腦部掃描圖像中有其對(duì)應(yīng)的位置，如果某一張分割圖像被確定了發(fā)生卒中的類型，那么就能夠根據(jù)該分割圖像的位置，最終確定卒中發(fā)生的位置。

具體的，參見(jiàn)圖4所示，上述過(guò)程可以概括為：

s401：對(duì)腦部掃描圖像進(jìn)行預(yù)處理，獲取預(yù)處理后的腦部掃描圖像；

s402：使用超像素方法和網(wǎng)格法對(duì)腦部掃描圖像進(jìn)行分割，獲取多張分割圖像；

s403：從每張所述分割圖像中提取預(yù)設(shè)特征所對(duì)應(yīng)的特征值；所述預(yù)設(shè)特征與所述腦卒中病灶信息數(shù)據(jù)模型中的特征一致；

s404：使用每一張分割圖像對(duì)應(yīng)的特征值，作為腦卒中病灶信息數(shù)據(jù)模型的輸入，獲取模型輸出，并根據(jù)模型輸出確定卒中類型。

本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)方法，先獲取多個(gè)腦卒中病人的腦部樣本圖像，并獲取與每一張腦部樣本圖像對(duì)應(yīng)的病灶信息；根據(jù)所述病灶信息，利用機(jī)器學(xué)習(xí)的方法對(duì)所述腦部樣本圖像進(jìn)行特征描述，生成腦卒中病灶信息數(shù)據(jù)模型；當(dāng)獲取到需要進(jìn)行預(yù)測(cè)的病人的腦部掃描圖像后，使用所述腦卒中病灶信息數(shù)據(jù)模型對(duì)腦部掃描圖像進(jìn)行卒中類型預(yù)測(cè)時(shí)。在這個(gè)過(guò)程中，預(yù)先采用大數(shù)據(jù)建立了腦卒中病灶信息模型，在判斷的時(shí)候，只需要將病人的腦部掃描圖像直接輸入，使用該模型對(duì)腦部掃描圖像進(jìn)行運(yùn)算，最終模型會(huì)輸出響應(yīng)的速度快，不易造成病情拖延；且這個(gè)過(guò)程不需要人為的參與，也不需要經(jīng)驗(yàn)豐富的醫(yī)生，減輕醫(yī)生的醫(yī)療壓力，同時(shí)，也不會(huì)由于人為差異導(dǎo)致病情判斷不準(zhǔn)確。

本發(fā)明又一實(shí)施例還提供一種腦卒中類型預(yù)測(cè)裝置，參見(jiàn)圖5所示，本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)裝置包括：

樣本獲取單元，用于獲取多個(gè)腦卒中病人的腦部樣本圖像，并獲取與每一張腦部樣本圖像對(duì)應(yīng)的病灶信息；

機(jī)器學(xué)習(xí)單元，用于根據(jù)所述病灶信息，利用機(jī)器學(xué)習(xí)的方法對(duì)所述腦部樣本圖像進(jìn)行特征描述，生成腦卒中病灶信息數(shù)據(jù)模型；

卒中類型預(yù)測(cè)單元，用于在獲取腦部掃描圖像時(shí)，使用所述腦卒中病灶信息數(shù)據(jù)模型對(duì)腦部掃描圖像進(jìn)行卒中類型預(yù)測(cè)。

本實(shí)施例中，樣本獲取單元、機(jī)器學(xué)習(xí)單元、卒中類型預(yù)測(cè)單元的具體功能和交互方式，可參見(jiàn)圖1對(duì)應(yīng)的實(shí)施例的記載，在此不再贅述。

本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)裝置，先通過(guò)樣本獲取單元獲取多個(gè)腦卒中病人的腦部樣本圖像，并獲取與每一張腦部樣本圖像對(duì)應(yīng)的病灶信息；在使用機(jī)器學(xué)習(xí)單元，根據(jù)所述病灶信息，利用機(jī)器學(xué)習(xí)的方法對(duì)所述腦部樣本圖像進(jìn)行特征描述，生成腦卒中病灶信息數(shù)據(jù)模型；當(dāng)卒中類型預(yù)測(cè)單元獲取到需要進(jìn)行預(yù)測(cè)的病人的腦部掃描圖像后，使用所述腦卒中病灶信息數(shù)據(jù)模型對(duì)腦部掃描圖像進(jìn)行卒中類型預(yù)測(cè)時(shí)。在這個(gè)過(guò)程中，預(yù)先采用大數(shù)據(jù)建立了腦卒中病灶信息模型，在判斷的時(shí)候，只需要將病人的腦部掃描圖像直接輸入，使用該模型對(duì)腦部掃描圖像進(jìn)行運(yùn)算，最終模型會(huì)輸出響應(yīng)的速度快，不易造成病情拖延；且這個(gè)過(guò)程不需要人為的參與，也不需要經(jīng)驗(yàn)豐富的醫(yī)生，減輕醫(yī)生的醫(yī)療壓力，同時(shí)，也不會(huì)由于人為差異導(dǎo)致病情判斷不準(zhǔn)確。

本發(fā)明又一實(shí)施例還提供另外一種腦卒中類型預(yù)測(cè)裝置，參見(jiàn)圖6所示，本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)裝置在上述實(shí)施例的基礎(chǔ)上，還包括：

圖像預(yù)處理單元，其用于獲取腦部圖像，并對(duì)腦部圖像進(jìn)行預(yù)處理，獲取所述腦部樣本圖像。

其中，圖像預(yù)處理單元與其他單元的的具體功能和交互方式，可參見(jiàn)圖2對(duì)應(yīng)的實(shí)施例的記載，在此不再贅述。

其中，圖像預(yù)處理單元，具體包括：

圖像篩選模塊，用于對(duì)腦部圖像進(jìn)行篩選，去除沒(méi)有病灶的腦部圖像；

去噪模塊，用于對(duì)去除沒(méi)有病灶的腦部圖像后，所剩余的腦部圖像進(jìn)行高斯濾波或者平滑濾波處理，去除噪音，獲取去噪圖像；

降維模塊，用于對(duì)所述去噪圖像進(jìn)行降維處理，獲取腦部樣本圖像。

參見(jiàn)圖7所示，本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)中，還提供一種機(jī)器學(xué)習(xí)單元的具體的結(jié)構(gòu)，包括：

特征提取模塊，用于根據(jù)與每一張腦部樣本圖像對(duì)應(yīng)的病灶輪廓信息，從所述腦部樣本圖像中提取腦部樣本圖像的紋理特征、顏色特征；

深度學(xué)習(xí)模塊，用于采用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，對(duì)所述紋理特征以及顏色特征進(jìn)行學(xué)習(xí)訓(xùn)練，建立卒中類型與紋理特征以及顏色特征之間的關(guān)聯(lián)關(guān)系，生成腦卒中病灶信息數(shù)據(jù)模型；

其中，所述病灶信息包括：卒中類型以及病灶輪廓信息。

本實(shí)施例中，特征提取模塊、深度學(xué)習(xí)模塊的具體功能和交互方式，可參見(jiàn)圖3對(duì)應(yīng)的實(shí)施例的記載，在此不再贅述。

參見(jiàn)圖8所示，本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)中，還提供一種卒中類型預(yù)測(cè)單元的具體的結(jié)構(gòu)，包括：

掃描圖像預(yù)處理單元，用于對(duì)腦部掃描圖像進(jìn)行預(yù)處理，獲取預(yù)處理后的腦部掃描圖像；

圖像分割模塊，用于使用超像素方法和網(wǎng)格法對(duì)腦部掃描圖像進(jìn)行分割，獲取多張分割圖像；

特征值提取模塊，用于從每張所述分割圖像中提取預(yù)設(shè)特征所對(duì)應(yīng)的特征值；所述預(yù)設(shè)特征與所述腦卒中病灶信息數(shù)據(jù)模型中的特征一致；

計(jì)算模塊，用于使用每一張分割圖像對(duì)應(yīng)的特征值，作為腦卒中病灶信息數(shù)據(jù)模型的輸入，獲取模型輸出，并根據(jù)模型輸出確定卒中類型。

本實(shí)施例中，掃描圖像預(yù)處理單元、圖像分割模塊、特征值提取模塊、計(jì)算模塊的具體功能和交互方式，可參見(jiàn)圖4對(duì)應(yīng)的實(shí)施例的記載，在此不再贅述。

本發(fā)明實(shí)施例所提供的腦卒中類型預(yù)測(cè)方法以及裝置的計(jì)算機(jī)程序產(chǎn)品，包括存儲(chǔ)了程序代碼的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述程序代碼包括的指令可用于執(zhí)行前面方法實(shí)施例中所述的方法，具體實(shí)現(xiàn)可參見(jiàn)方法實(shí)施例，在此不再贅述。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)和裝置的具體工作過(guò)程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過(guò)程，在此不再贅述。

所述功能如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：u盤(pán)、移動(dòng)硬盤(pán)、只讀存儲(chǔ)器(rom，read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram，randomaccessmemory)、磁碟或者光盤(pán)等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。