本技術涉及智慧醫(yī)療領域，特別是涉及一種血腫擴大風險預測方法、設備及介質(zhì)。

背景技術：

1、隨著人口老齡化和城市化的進展，腦卒中(俗稱“中風”)流行趨勢明顯。腦卒中具有高發(fā)病率、高致殘率、高死亡率、高復發(fā)率、高經(jīng)濟負擔五個特點。腦卒中分為出血性腦卒中和缺血性腦卒中兩種。其中，出血性腦卒中(腦出血)約占腦卒中人群的15％，發(fā)病率較低，卻是最致命的腦卒中類型。在腦出血患者病發(fā)后的6小時內(nèi)，出血部位會形成血腫，并在血流動力學的作用下，在接下來的24小時內(nèi)持續(xù)擴大，危及患者的生命和預后效果。有研究表明，血腫體積每增加1毫升，患者死亡風險就會提高約5％。目前常用的出血擴大判定標準為腦出血患者的入院血腫體積在未來24小時內(nèi)增加了6毫升或擴大了33％。然而，由于血腫擴大機制尚不明確，基于患者入院時所采集的數(shù)據(jù)來預測未來血腫擴大的風險是一個重大挑戰(zhàn)。因此，臨床上缺乏有效的工具識別可能發(fā)生血腫擴大的高危腦出血患者，這阻礙了血腫擴大有效干預措施的研發(fā)進展。為此，開發(fā)可準確、快速地識別腦出血患者的血腫擴大風險預測工具，對于提高腦出血患者的預后效果、推動血腫擴大有效干預措施的研發(fā)至關重要。

2、目前臨床上最常用的檢測手段是通過bat五級量表評分來預測腦出血血腫擴大的風險，它結合了腦出血計算機斷層掃描(computedtomography，ct)影像上的影像標志物以及腦出血到初次ct成像的時間來綜合預測血腫擴大的風險值，對于腦出血ct影像上的影像標志物，混合征出現(xiàn)記為1分，未出現(xiàn)記為0分，低密度征出現(xiàn)記為2分，未出現(xiàn)記為0分，對于腦出血到初次ct成像的時間，小于2.5小時記為2分，不小于2.5小時記為0分。該量表將總分不小于3分(即3～5分)的腦出血患者判定為高風險，其他分值(即0～2分)則為低分險。該量表評分經(jīng)過了多中心實踐驗證，被證明是一種預測效果良好的工具。

3、當前的腦出血血腫擴大風險預測方法主要是經(jīng)驗豐富的臨床醫(yī)生通過人工判讀腦出血ct影像上的影像標志物，結合腦出血病發(fā)到初次ct影像成像時間，來手工算得最終的bat評分。然而，由于不同醫(yī)生對同一影像標志物的判斷不同，bat評分也會受到主觀判斷的影響而出現(xiàn)不同的得分風險。并且，由于bat量表評分僅利用了ct影像上預先設定的影像標志物特征來判斷血腫擴大風險，所以對ct影像的利用不足，導致bat評分對血腫擴大的預測精度較低。

技術實現(xiàn)思路

1、本技術的目的是提供一種血腫擴大風險預測方法、設備及介質(zhì)，可僅通過腦出血患者的基線ct影像來預測其腦出血部位血腫未來發(fā)生擴大的風險，提高預測效率和準確率。

2、為實現(xiàn)上述目的，本技術提供了如下方案。

3、第一方面，本技術提供了一種血腫擴大風險預測方法，包括：

4、將目標患者的基線ct影像輸入血腫分割模塊，得到目標患者的基線血腫分割結果和血腫區(qū)域分割特征；所述血腫區(qū)域分割特征包括多尺度血腫增長深度特征、多尺度血腫區(qū)域深度特征和初始血腫擴大風險預測結果；

5、根據(jù)目標患者的基線血腫分割結果計算目標患者的基線血腫影像組學特征；所述基線血腫影像組學特征包括：一階灰度特征、形狀特征和灰度共生矩陣紋理特征；

6、根據(jù)目標患者的基線血腫分割結果計算目標患者的基線血腫體積；

7、將目標患者的基線血腫影像組學特征、基線血腫體積和血腫區(qū)域分割特征輸入血腫特征混合模塊，得到目標患者的最終血腫擴大風險預測結果。

8、可選地，將目標患者的基線ct影像輸入血腫分割模塊，得到目標患者的基線血腫分割結果和血腫區(qū)域分割特征，之前還包括：

9、構建血腫分割網(wǎng)絡；

10、根據(jù)樣本病例的基線ct影像和隨訪ct影像構建血腫分割模塊訓練集；

11、采用五折交叉驗證方法將血腫分割模塊訓練集劃分為五對互不重疊的訓練集和驗證集，并采用隨機梯度下降算法對血腫分割網(wǎng)絡進行訓練，得到訓練完成的血腫分割網(wǎng)絡作為血腫分割模塊。

12、可選地，根據(jù)樣本病例的基線ct影像和隨訪ct影像構建血腫分割模塊訓練集，包括：

13、獲取樣本病例的基線ct影像和隨訪ct影像，并確定血腫分割標簽；

14、根據(jù)樣本病例的血腫分割標簽計算樣本病例的基線血腫體積和隨訪血腫體積，并確定血腫擴大預測標簽；

15、對樣本病例的基線ct影像和隨訪ct影像進行顱骨剝離，得到樣本病例的顱骨剝離基線ct影像和顱骨剝離隨訪ct影像；

16、對樣本病例的顱骨剝離隨訪ct影像與顱骨剝離基線ct影像進行配準，得到樣本病例的配準隨訪ct影像，并確定配準影像變形場；

17、采用配準影像變形場對樣本病例的隨訪ct影像的血腫分割標簽與基線ct影像的血腫分割標簽進行配準，得到樣本病例的隨訪ct影像的配準血腫分割標簽；

18、對樣本病例的顱骨剝離基線ct影像、基線ct影像的血腫分割標簽、配準隨訪ct影像和隨訪ct影像的配準血腫分割標簽進行重采樣和裁剪，得到樣本病例的處理后基線ct影像、處理后隨訪ct影像和對應的血腫分割標簽；

19、根據(jù)樣本病例的處理后基線ct影像、處理后基線ct影像和對應的血腫分割標簽以及血腫擴大預測標簽構建血腫分割模塊訓練集。

20、可選地，所述血腫分割模塊包括一個共享編碼器、兩個私有分割解碼器、一個血腫增長預測頭、一個血腫分割頭和一個初始血腫擴大風險預測頭；所述共享編碼器、第一個私有分割編碼器和所述血腫增長預測頭依次連接，組成血腫增長預測子網(wǎng)絡；所述共享編碼器、第二個私有分割編碼器和所述血腫分割頭依次連接，組成基線血腫分割子網(wǎng)絡；所述初始血腫擴大風險預測頭分別與所述血腫增長預測子網(wǎng)絡的私有分割解碼器和所述基線血腫分割子網(wǎng)絡的私有分割解碼器連接，組成初始血腫擴大風險預測子網(wǎng)絡；

21、所述血腫增長預測子網(wǎng)絡用于根據(jù)輸入的基線ct影像進行血腫增長預測，得到血腫增長預測結果，并提取多尺度血腫增長深度特征；

22、所述基線血腫分割子網(wǎng)絡用于根據(jù)輸入的基線ct影像進行基線血腫分割，得到基線血腫分割結果，并提取多尺度血腫區(qū)域深度特征；

23、所述初始血腫擴大風險預測子網(wǎng)絡用于根據(jù)輸入的多尺度血腫增長深度特征和多尺度血腫區(qū)域深度特征進行初始血腫擴大風險預測，得到初始血腫擴大風險預測結果。

24、可選地，所述共享編碼器包括五個依次連接的下采樣模塊，每個所述下采樣模塊由兩個卷積塊重復組成，每個所述卷積塊包括一個卷積核大小為3的3d卷積神經(jīng)網(wǎng)絡、一個實例歸一化層和一個泄露修正線性單元激活層；所述私有分割解碼器包括五個依次連接的上采樣模塊，每個所述上采樣模塊由兩個轉置卷積塊重復組成，每個所述轉置卷積塊包括一個卷積核大小為3的3d轉置卷積神經(jīng)網(wǎng)絡、一個實例歸一化層和一個泄露修正線性單元激活層；所述血腫增長預測頭和所述血腫分割頭均為一個卷積核大小為1的卷積神經(jīng)網(wǎng)絡；所述初始血腫擴大風險預測頭為一個全連接層。

25、可選地，將目標患者的基線血腫影像組學特征、基線血腫體積和血腫區(qū)域分割特征輸入血腫特征混合模塊，得到目標患者的最終血腫擴大風險預測結果，之前還包括：

26、構建血腫特征混合網(wǎng)絡；

27、基于血腫分割模塊訓練集和血腫分割模塊確定樣本病例的基線血腫分割結果、血腫區(qū)域分割特征和血腫擴大預測標簽；

28、根據(jù)樣本病例的基線血腫分割結果計算樣本病例的基線血腫影像組學特征；

29、根據(jù)樣本病例的基線血腫分割結果計算樣本病例的基線血腫體積；

30、根據(jù)樣本病例的血腫區(qū)域分割特征、基線血腫影像組學特征、基線血腫體積和血腫擴大預測標簽構建血腫特征混合模塊訓練集；

31、采用五折交叉驗證方法將血腫特征混合模塊訓練集劃分為五對互不重疊的訓練集和驗證集，并采用隨機梯度下降算法對血腫特征混合網(wǎng)絡進行訓練，得到訓練完成的血腫特征混合網(wǎng)絡作為血腫特征混合模塊。

32、可選地，所述血腫特征混合模塊為一個三層全連接網(wǎng)絡；所述三層全連接網(wǎng)絡的第一個全連接層與第二個全連接層之間設有一個指數(shù)線性單元，第二個全連接層與第三個全連接層之間設有一個指數(shù)線性單元和一個隨機失活層。

33、可選地，根據(jù)目標患者的基線血腫分割結果計算目標患者的基線血腫影像組學特征，包括：

34、基于pyradiomics工具包，根據(jù)目標患者的基線血腫分割結果計算目標患者的基線血腫影像組學特征。

35、第二方面，本技術提供了一種計算機設備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)所述血腫擴大風險預測方法。

36、第三方面，本技術提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)所述血腫擴大風險預測方法。

37、根據(jù)本技術提供的具體實施例，本技術公開了以下技術效果：本技術提供了一種血腫擴大風險預測方法、設備及介質(zhì)，使用深度學習的方法，采用兩階段風險預測，結合包括基線血腫影像組學特征、基線血腫體積、多尺度血腫增長深度特征、多尺度血腫區(qū)域深度特征和初始血腫擴大風險預測結果的多維血腫特征綜合預測血腫擴大風險，能夠在不借助腦出血患者的其他臨床信息的情況下，僅通過基線ct影像數(shù)據(jù)實現(xiàn)對患者未來血腫擴大風險的快速、準確預測，對推動現(xiàn)有臨床抗血腫擴大治療手段的驗證提供了有力支撐。