一种基于磁共振影像的卒中致残预测方法及系统与流程

本发明涉及卒中致残预测技术领域，特别是涉及一种基于磁共振影像的卒中致残预测方法及系统。

背景技术：

脑卒中(cerebralstroke)又称中风、脑血管意外(cerebralvascularaccident，cva)，是一种急性脑血管疾病。脑卒中是我国成年人群致死、致残的首位病因，具有发病率高、致残率高、死亡率高和复发率高的特点。目前，针对脑卒中的治疗手段有限，且疗效不太理想，预防是现阶段最好的治疗措施。对医生来说，需有效地评估哪些患者在未来时间点受本次发病的影响较大，致残程度高，从而在后续治疗中采取相应措施。

目前在临床上广泛使用的对卒中患者测评方式主要为量表评估法，如美国国立卫生研究院的卒中评分量表(nationalinstitutesofhealthstrokescale,nihss)和改良rankin量表(modifiedrankinscale,mrs)。

其中，nihss量表反映患者当前的残损情况，面向身体神经功能的评定，评估内容包括：意识水平、凝视、视野、面瘫、上肢运动、下肢运动、肢体共济运动、感觉、语言、构音障碍和忽视。通过对各评估内容进行评分，以得到当前病人所处的致残情况。

而mrs量表用来衡量卒中患者的神经功能恢复的状况，面向回归社会的参与能力。其评估结果分为七级，分别为0：完全没有症状；1：尽管有症状，但未见明显残障，能完成所有经常从事的职责和活动；2：轻度残障；不能完成所有以前能从事的活动，但能处理个人事务而不需要帮助；3：中度残障；需要一些帮助，但行走不需要协助；4：重度残障；离开他人协助不能行走，以及不能照顾自己的身体需要；5：严重残障；卧床不起、大小便失禁、须持续护理和照顾；6：死亡。

当前的卒中致残预测方法主要是医护人员根据nihss或mrs量表对卒中患者当前所能完成的实际任务或所处的状态进行观测，从而致残情况进行评估，并不能评估患者在未来时间点的残障程度，医生无法开展后续治疗。

技术实现要素：

基于此，有必要提供一种基于磁共振影像的卒中致残预测方法及系统，以对卒中患者未来的致残情况进行预测，从而为医生开展后续治疗提供依据，进而减少或避免卒中患者后续致残情况的发生。

为实现上述目的，本发明提供了如下方案：

一种基于磁共振影像的卒中致残预测方法，包括：

获取磁共振影像测试集；所述磁共振影像测试集为待测试卒中患者的磁共振影像；

将所述磁共振影像测试集输入至训练好的大脑年龄预测模型中，得到待测试卒中患者的大脑年龄预测值；所述训练好的大脑年龄预测模型是以健康老年人的基线弥散加权磁共振影像为输入，以健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的；

由所述待测试卒中患者的大脑年龄预测值和对应的待测试卒中患者的大脑年龄真实值，确定待测试卒中患者的大脑年龄差；

将所述磁共振影像测试集和所述待测试卒中患者的大脑年龄差输入至训练好的致残预测模型中，得到待测试卒中患者的致残程度；所述训练好的致残预测模型是以不同致残程度的卒中患者的基线弥散加权磁共振影像和不同致残程度的卒中患者的大脑年龄差为输入，以发病后不同时间段内的不同致残程度为输出，对基于致残程度的卷积神经网络模型进行训练得到的；所述基于致残程度的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的。

可选的，所述训练好的大脑年龄预测模型的确定方法为：

获取健康老年人的基线弥散加权磁共振影像和对应的健康老年人的真实年龄；

采用keras深度学习框架，基于密集卷积网络构建基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层和一个基于relu激活函数的卷积层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层；

以所述健康老年人的基线弥散加权磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到初始大脑年龄预测模型；

采用交叉验证法对所述初始大脑年龄预测模型进行调整，并将调整后的初始大脑年龄预测模型确定为训练好的大脑年龄预测模型。

可选的，所述训练好的致残预测模型的确定方法为：

获取不同致残程度的卒中患者的基线弥散加权磁共振影像、不同致残程度的卒中患者的大脑年龄差和对应的发病后不同时间段内的不同致残程度；

采用keras深度学习框架，基于密集卷积网络构建基于致残程度的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层、一个基于relu激活函数的卷积层、四个基于relu激活函数的全连接层和一个基于sigmoid激活函数的全连接层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层；

以所述不同致残程度的卒中患者的基线弥散加权磁共振影像和所述不同致残程度的卒中患者的大脑年龄差为输入，以所述发病后不同时间段内的不同致残程度为输出，采用反向传播算法和梯度下降算法对所述基于致残程度的卷积神经网络模型进行训练，得到初始致残预测模型；

采用交叉验证法对所述初始致残预测模型进行调整，并将调整后的初始致残预测模型确定为训练好的致残预测模型。

可选的，在所述获取磁共振影像测试集之后，还包括：

对所述磁共振影像测试集依次进行非线性配准、非脑组织剥离和图像数据标准化处理。

本发明还提供了一种基于磁共振影像的卒中致残预测系统，包括：

测试集获取模块，用于获取磁共振影像测试集；所述磁共振影像测试集为待测试卒中患者的磁共振影像；

大脑年龄预测模块，用于将所述磁共振影像测试集输入至训练好的大脑年龄预测模型中，得到待测试卒中患者的大脑年龄预测值；所述训练好的大脑年龄预测模型是以健康老年人的基线弥散加权磁共振影像为输入，以健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的；

大脑年龄差计算模块，用于由所述待测试卒中患者的大脑年龄预测值和对应的待测试卒中患者的大脑年龄真实值，确定待测试卒中患者的大脑年龄差；

致残程度预测模块，用于将所述磁共振影像测试集和所述待测试卒中患者的大脑年龄差输入至训练好的致残预测模型中，得到待测试卒中患者的致残程度；所述训练好的致残预测模型是以不同致残程度的卒中患者的基线弥散加权磁共振影像和不同致残程度的卒中患者的大脑年龄差为输入，以发病后不同时间段内的不同致残程度为输出，对基于致残程度的卷积神经网络模型进行训练得到的；所述基于致残程度的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的。

可选的，所述基于磁共振影像的卒中致残预测系统还包括：大脑年龄预测模型确定模块；所述大脑年龄预测模型确定模块具体包括：

第一训练数据获取单元，用于获取健康老年人的基线弥散加权磁共振影像和对应的健康老年人的真实年龄；

第一模型构建单元，用于采用keras深度学习框架，基于密集卷积网络构建基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层和一个基于relu激活函数的卷积层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层；

第一训练单元，用于以所述健康老年人的基线弥散加权磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到初始大脑年龄预测模型；

第一验证单元，用于采用交叉验证法对所述初始大脑年龄预测模型进行调整，并将调整后的初始大脑年龄预测模型确定为训练好的大脑年龄预测模型。

可选的，所述基于磁共振影像的卒中致残预测系统还包括：致残预测模型确定模块；所述致残预测模型确定模块具体包括：

第二训练数据获取单元，用于获取不同致残程度的卒中患者的基线弥散加权磁共振影像、不同致残程度的卒中患者的大脑年龄差和对应的发病后不同时间段内的不同致残程度；

第二模型构建单元，用于采用keras深度学习框架，基于密集卷积网络构建基于致残程度的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层、一个基于relu激活函数的卷积层、四个基于relu激活函数的全连接层和一个基于sigmoid激活函数的全连接层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层；

第二训练单元，用于以所述不同致残程度的卒中患者的基线弥散加权磁共振影像和所述不同致残程度的卒中患者的大脑年龄差为输入，以所述发病后不同时间段内的不同致残程度为输出，采用反向传播算法和梯度下降算法对所述基于致残程度的卷积神经网络模型进行训练，得到初始致残预测模型；

第二验证单元，用于采用交叉验证法对所述初始致残预测模型进行调整，并将调整后的初始致残预测模型确定为训练好的致残预测模型。

可选的，所述基于磁共振影像的卒中致残预测系统还包括预处理模块；

所述预处理模块，用于对所述磁共振影像测试集依次进行非线性配准、非脑组织剥离和图像数据标准化处理。

与现有技术相比，本发明的有益效果是：

本发明提出了一种基于磁共振影像的卒中致残预测方法及系统，其基于深度学习的方法，构建训练好的大脑年龄预测模型和训练好的致残预测模型，以大脑年龄差作为关键指标预测患者致残，实现了仅通过影像数据即可对患者未来的致残情况进行预测评估，为医生开展后续治疗提供了有效的依据，进而可以减少或避免卒中患者后续致残情况的发生。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1一种基于磁共振影像的卒中致残预测方法的流程图；

图2为本发明基于年龄的卷积神经网络模型(age-densenet模型)的结构示意图；

图3为本发明基于致残程度的卷积神经网络模型(cripple-densenet模型)的结构示意图；

图4为本发明实施例2基于磁共振影像的卒中致残预测方法的流程图；

图5为本发明实施例3一种基于磁共振影像的卒中致残预测系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

图1为本发明实施例1一种基于磁共振影像的卒中致残预测方法的流程图。

参见图1，本实施例的基于磁共振影像的卒中致残预测方法，包括：

步骤s1：获取磁共振影像测试集；所述磁共振影像测试集为待测试卒中患者的磁共振影像。

步骤s2：将所述磁共振影像测试集输入至训练好的大脑年龄预测模型中，得到待测试卒中患者的大脑年龄预测值。

所述训练好的大脑年龄预测模型是以健康老年人的基线弥散加权磁共振影像为输入，以健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的。所述基于年龄的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的。

其中，所述训练好的大脑年龄预测模型的确定方法为：

获取健康老年人的基线弥散加权磁共振影像和对应的健康老年人的真实年龄。

采用keras深度学习框架，基于密集卷积网络构建基于年龄的卷积神经网络模型。如图2所示，所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层和一个基于relu激活函数的卷积层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层。

以所述健康老年人的基线弥散加权磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到初始大脑年龄预测模型。

采用交叉验证法对所述初始大脑年龄预测模型进行调整，并将调整后的初始大脑年龄预测模型确定为训练好的大脑年龄预测模型。

步骤s3：由所述待测试卒中患者的大脑年龄预测值和对应的待测试卒中患者的大脑年龄真实值，确定待测试卒中患者的大脑年龄差。

步骤s4：将所述磁共振影像测试集和所述待测试卒中患者的大脑年龄差输入至训练好的致残预测模型中，得到待测试卒中患者的致残程度。

所述训练好的致残预测模型是以不同致残程度的卒中患者的基线弥散加权磁共振影像和不同致残程度的卒中患者的大脑年龄差为输入，以发病后不同时间段内的不同致残程度为输出，对基于致残程度的卷积神经网络模型进行训练得到的；所述基于致残程度的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的。

其中，所述训练好的致残预测模型的确定方法为：

获取不同致残程度的卒中患者的基线弥散加权磁共振影像、不同致残程度的卒中患者的大脑年龄差和对应的发病后不同时间段内的不同致残程度。

采用keras深度学习框架，基于密集卷积网络构建基于致残程度的卷积神经网络模型。如图3所示，所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层、一个基于relu激活函数的卷积层、四个基于relu激活函数的全连接层和一个基于sigmoid激活函数的全连接层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层。

以所述不同致残程度的卒中患者的基线弥散加权磁共振影像和所述不同致残程度的卒中患者的大脑年龄差为输入，以所述发病后不同时间段内的不同致残程度为输出，采用反向传播算法和梯度下降算法对所述基于致残程度的卷积神经网络模型进行训练，得到初始致残预测模型。

采用交叉验证法对所述初始致残预测模型进行调整，并将调整后的初始致残预测模型确定为训练好的致残预测模型。

作为一种可选的实施方式，在所述获取磁共振影像测试集之后，还包括：

对所述磁共振影像测试集依次进行非线性配准、非脑组织剥离和图像数据标准化处理。

本实施例的基于磁共振影像的卒中致残预测方法，以大脑年龄差作为关键指标预测患者致残，实现了仅通过影像数据即可对患者未来的致残情况进行预测评估，为医生开展后续治疗提供了有效的依据，进而可以减少或避免卒中患者后续致残情况的发生。

下面提供了一个更为具体的实施方式。

实施例2

本实施例的基于磁共振影像的卒中致残预测方法，基于入院时采集的磁共振影像及纵向随访评估结果，通过深度学习方法建立影像特征与患者未来致残情况关系的高维模型，从而实现在入院阶段仅通过影像，就可以对患者未来时间点(如三个月、六个月或一年后)致残情况的预测功能。

人工智能方法可以利用大脑结构磁共振影像建立一个大脑老化的预测模型，以此对老年人的年龄进行预测，由模型预测出的年龄称之为“大脑年龄”。大脑年龄可以表明当前大脑所处的老化阶段，甚至预测未来的相关疾病的风险。由健康老年人影像数据所建立的预测模型，实际上描述了一种正常的老年人大脑衰老轨迹，而利用大脑年龄与其真实年龄的差值，即“大脑年龄差”，可以反映一个人偏离健康大脑老化轨迹的程度，反映了其大脑衰老的提前或延后程度。

为解决现有技术中的问题，本实施例提出的基于磁共振影像的卒中致残预测方法能够从原始或经过简单预处理的大脑结构磁共振影像中提炼出高维复杂特征，以此预测出当前患者的“大脑年龄”，并以“大脑年龄差”为重要指标对卒中患者致残情况进行预测。本方法分析速度快，泛化能力强，且具有实用性、易用性。

本实施例包含大脑年龄预测模型及致残预测模型，下面将分别进行阐述：

(1)大脑年龄预测模型

借助卷积神经网络的特征提取能力，使用keras深度学习框架，并基于密集卷积网络(densenet)思想，构建基于年龄的卷积神经网络模型，即卷积神经网络模型age-densenet。该模型能高效地学习老年人大脑神经影像中潜在特征与实际年龄的之间的联系，以此来预测老年人的大脑年龄。

下面对age-densenet模型的框架进行介绍。

age-densenet模型包含五个重复的卷积块(convolutionalblock)，每个卷积块包含两个完全相同的卷积单元(convolutionalunit)和一个步长为2的2×2×2最大池化层。卷积单元包含步长为1的3×3×3卷积层、一个relu激活以及一个3d批标准化层。在第一个卷积块中，特征通道的数量被设置为8，并在进入到下一个卷积块之后对其进行加倍，以推断出一个足够丰富的大脑信息表征。如图2所示。

另外，为缓解梯度消失问题，提高特征的利用效率，本实施例结合densenet，将不同卷积块所学习到的特征映射串联起来，增加了后续层输入的变量，提高了网络的特征利用效率及学习效果。每个卷积块都将综合之前所有卷积块输出特征映射的信息以作输入。由于不同卷积块输出特征映射的尺寸是不同的，所以首先使用最大池化的方式将特征映射进行下采样，改变其尺寸，然后再将其与其他卷积块输出的特征映射串联成一个单独的张量，作为当前卷积块的输入。并在最后一个卷积块结束后，使用全局平均池化层(globalaveragepooling)，将特征映射矢量化为一个特征向量。最后的年龄预测是使用一个一维卷积层加上relu激活函数(基于relu激活函数的卷积层)，它将全局平均池化得到的特征向量映射到一个单独的输出值。

卷积神经网络模型age-densenet的训练过程简述如下：

1)构建原始输入图像，本实施例使用北京某三甲医院采集到的临床弥散加权(dwi)磁共振影像，其中包括健康老年人及不同致残程度的卒中患者。

2)对原始输入图像进行预处理操作并利用预处理后的原始输入图像构建数据集。

3)使用健康/致残较轻老年人的基线dwi磁共振影像和其当前真实年龄作为训练集，通过反向传播算法及梯度下降算法对age-densenet模型进行训练学习，选取预测精度高、泛化性能强的模型参数进行保存。

4)使用交叉验证的方法对age-densnet模型进行验证，调整模型中的超参数。最终，模型在测试集上的预测结果的均值绝对误差能达到2.6岁。

(2)致残预测模型

本实施例基于卷积神经网络构建基于致残程度的卷积神经网络模型，即分类网络模型cripple-densenet，对脑卒中患者未来的致残情况进行预测。模型的输入包括两部分：经过预处理的卒中患者的dwi磁共振影像；根据大脑年龄预测模型预测出的大脑年龄并结合患者真实年龄，所计算出的大脑年龄差(agegap)。

下面对cripple-densenet模型的框架进行介绍。

cripple-densenet模型中卷积网络部分与age-densenet模型中的相同，不同的是cripple-densenet模型在全局平均池化后，将特征向量降维映射到32单元的全连接层上，并将大脑年龄差输入后，从一维向量同样映射至32单元全连接层上。二者连接后，再经全连接层作用，得到模型二分类输出：预测患者未来致残情况(严重致残/轻微致残)。如图3所示。

分类网络模型cripple-densenet的训练过程简述如下：

1)构建原始输入图像，本实施例使用北京某医院采集到的临床dwi磁共振影像，其中包括不同致残程度的卒中患者。此数据集包括患者入院时的采集到磁共振影像，并对患者进行随访，得到患者发病后三个月、六个月以及一年三个时间点的mrs评分，以此对患者的致残情况进行评估。

2)对原始输入图像进行预处理操作并利用预处理后的原始输入图像构建数据集。本实施例将随访数据mrs评分中0-2分定为轻微致残，将3-6分定义为重度致残，以此作为后续模型训练中的标签。

3)使用包含不同致残程度患者的dwi磁共振影像及患者在随访时间点所对应的致残程度构成训练集。在训练过程中，每个影像数据需先输入到大脑年龄预测模型中，得到患者的大脑年龄，再将预测得到的大脑年龄与其真实年龄做差，得到“大脑年龄差”。将患者的影像数据和计算得到的大脑年龄差作为输入，患者致残程度作为标签，通过反向传播算法及梯度下降算法对cripple-densenet模型进行训练学习，选取预测精度高，泛化性能强的模型参数进行保存。

4)使用交叉验证的方法对cripple-densnet进行验证，调整模型中的超参数，使模型的预测效果得到最好。

上述模型训练过程中提及的预处理操作具体为：

1)由于本实施例所使用的数据来自于临床队列，图像采集过程中会有不同程度的成像差异，为防止这种差异对模型造成干扰，本实施例首先使用fsl5.0中fnirt命令将原始临床dwi磁共振影像以mni152-2mm模板为参考，执行非线性配准，配准后图像尺寸为91×109×91，分辨率为2mm。

2)为使深度学习模型更聚焦于大脑内的变化，本实施例在预处理过程中使用fsl5.0bet命令，对经过配准后影像中的非脑组织进行剥离，仅保留脑组织，并且将脑轮廓以外的体素值设为0。

3)为防止影像采集设备的不同，而造成影像数据中体素值分布不同对模型造成的干扰，本实施例对影像数据进行标准化处理，具体标准化处理过程为：计算大脑轮廓内体素值的平均值和标准差，将大脑轮廓内体素值进行高斯标准化。

图4为本发明实施例2基于磁共振影像的卒中致残预测方法的流程图。参见图4，本实施例的基于影像预测卒中致残的方法，其步骤如下：

201：构建原始输入影像。原始输入影像为dwi磁共振影像。

202：对原始输入图像进行预处理操作并利用预处理后的原始输入图像构建训练集。

所述预处理操作包括图像非线性配准，头骨剥离以及图像数据标准化。具体的，图像配准包括：将输入影像执行非线性配准操作；头骨剥离包括：通过预先设定阈值获取已配准后t1图像的头骨剥离图像；图像数据标准化包括：计算经过头骨剥离后的大脑轮廓内体素的平均值和标准差，将大脑轮廓内体素进行高斯标准化。对原始输入图像进行预处理操作，一方面可以提高深度学方法预测大脑年龄的预测精度，另一方面加快了处理分析的速度，具有高效性与易用性。

203：构建大脑年龄预测模型age-densenet。age-densenet模型具体为上述介绍的大脑年龄预测模型。

204：利用基线时的健康人/轻度致残患者的影像数据及其真实年龄，对age-densenet进行训练学习，选取预测精度高、泛化性能强的模型进行保存。

205：利用交叉验证的方法对age-densenet进行验证，调整卷积神经网络模型age-densenet训练中的超参数。

206：将卒中患者基线时的影像数据输入至age-densenet中，得到预测到的大脑年龄，并根据其真实年龄计算大脑年龄差(agegap)。

207：构建卒中致残预测模型cripple-densenet。

208：利用基线时卒中患者的影像数据、计算得到的大脑年龄差及其随访致残情况标签，对cripple-densenet进行训练学习，选取预测精度高、泛化性能强的模型进行保存。

209：利用交叉验证的方法对cripple-densenet进行验证，调整卷积神经网络模型age-densenet训练中的超参数。

210：使用训练好的age-densenet及cripple-densenet对卒中患者未来致残情况进行预测，为临床后续的治疗提供支持。

本实施例中的基于磁共振影像的卒中致残预测方法，具有以下优点：

1)采用深度学习的方法，可以仅通过影像数据就对患者未来的致残情况进行预测评估，对医生开展后续治疗提供了有效的依据。

2)本方法完全基于影像数据，是完全客观的，避免医护人员观测过程中所造成的评估差异。

3)借助计算机强大的计算能力，能够快速准确的对患者未来的致残情况进行预测，免去繁琐的评估时间。

4)采用大脑年龄差作为重要评估特征，在预测患者未来致残情况的同时，也能评估患者当前所处大脑老化阶段。

图5为本发明实施例3一种基于磁共振影像的卒中致残预测系统的结构示意图。本发明还提供了一种基于磁共振影像的卒中致残预测系统，包括：

测试集获取模块501，用于获取磁共振影像测试集；所述磁共振影像测试集为待测试卒中患者的磁共振影像。

大脑年龄预测模块502，用于将所述磁共振影像测试集输入至训练好的大脑年龄预测模型中，得到待测试卒中患者的大脑年龄预测值；所述训练好的大脑年龄预测模型是以健康老年人的基线弥散加权磁共振影像为输入，以健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的。

大脑年龄差计算模块503，用于由所述待测试卒中患者的大脑年龄预测值和对应的待测试卒中患者的大脑年龄真实值，确定待测试卒中患者的大脑年龄差。

致残程度预测模块504，用于将所述磁共振影像测试集和所述待测试卒中患者的大脑年龄差输入至训练好的致残预测模型中，得到待测试卒中患者的致残程度；所述训练好的致残预测模型是以不同致残程度的卒中患者的基线弥散加权磁共振影像和不同致残程度的卒中患者的大脑年龄差为输入，以发病后不同时间段内的不同致残程度为输出，对基于致残程度的卷积神经网络模型进行训练得到的；所述基于致残程度的卷积神经网络模型是采用keras深度学习框架，基于密集卷积网络构建得到的。

作为一种可选的实施方式，所述基于磁共振影像的卒中致残预测系统还包括：大脑年龄预测模型确定模块；所述大脑年龄预测模型确定模块具体包括：

第一训练数据获取单元，用于获取健康老年人的基线弥散加权磁共振影像和对应的健康老年人的真实年龄。

第一模型构建单元，用于采用keras深度学习框架，基于密集卷积网络构建基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层和一个基于relu激活函数的卷积层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层。

第一训练单元，用于以所述健康老年人的基线弥散加权磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到初始大脑年龄预测模型。

第一验证单元，用于采用交叉验证法对所述初始大脑年龄预测模型进行调整，并将调整后的初始大脑年龄预测模型确定为训练好的大脑年龄预测模型。

作为一种可选的实施方式，所述基于磁共振影像的卒中致残预测系统还包括：致残预测模型确定模块；所述致残预测模型确定模块具体包括：

第二训练数据获取单元，用于获取不同致残程度的卒中患者的基线弥散加权磁共振影像、不同致残程度的卒中患者的大脑年龄差和对应的发病后不同时间段内的不同致残程度。

第二模型构建单元，用于采用keras深度学习框架，基于密集卷积网络构建基于致残程度的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括五个卷积块、一个全局平均池化层、一个基于relu激活函数的卷积层、四个基于relu激活函数的全连接层和一个基于sigmoid激活函数的全连接层构成的；每个所述卷积块均包括两个相同的卷积单元和一个最大池化层。

第二训练单元，用于以所述不同致残程度的卒中患者的基线弥散加权磁共振影像和所述不同致残程度的卒中患者的大脑年龄差为输入，以所述发病后不同时间段内的不同致残程度为输出，采用反向传播算法和梯度下降算法对所述基于致残程度的卷积神经网络模型进行训练，得到初始致残预测模型。

第二验证单元，用于采用交叉验证法对所述初始致残预测模型进行调整，并将调整后的初始致残预测模型确定为训练好的致残预测模型。

作为一种可选的实施方式，所述基于磁共振影像的卒中致残预测系统还包括预处理模块；所述预处理模块，用于对所述磁共振影像测试集依次进行非线性配准、非脑组织剥离和图像数据标准化处理。

本实施例的基于磁共振影像的卒中致残预测系统，以大脑年龄差作为关键指标预测患者致残，实现了仅通过影像数据即可对患者未来的致残情况进行预测评估，为医生开展后续治疗提供了有效的依据，进而可以减少或避免卒中患者后续致残情况的发生。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。