一种脑血管出血与缺血预测方法及装置与流程

本发明涉及人工智能技术领域，特别涉及一种脑血管出血与缺血预测方法及装置。

背景技术

脑血管疾病在全球属于头号杀手，容易在中老年人群中发病，且逐渐呈现年轻化的趋势。该疾病发病率较高，容易引发脑组织出血或缺血性意外，导致患者的残废或死亡。脑血管疾病的成因复杂，血管狭窄、血管堵塞、高血脂等现象都可能成为诱因。形成因素多、分析难度高，即使是经验丰富的医师综合多项疾病数据，也很难及时发现脑血管疾病。一旦发病，脑血管疾病治疗的费用高且治疗难度大，对于很多家庭而言是场灾难。二三线城市中，诊断脑血管疾病的力量更为薄弱，无法及时诊疗将恶化患者病情，造成严重后果。

传统针对脑部疾病诊断的方法多通过人工方式，重复度高、工作量大的情况非常容易造成误诊现象，带来严重后果。通过算法方式进行诊断的方式处于起步阶段，研究较少且准确度较低。

技术实现要素：

有鉴于此，本发明实施例提供了一种脑血管出血与缺血预测方法及装置，可以根据目标患者的医疗病史数据，通过数据分析模型以及医疗图像预测模型，实现对于目标患者是否会发生脑血管出血与缺血现象进行快速、准确地预测。

本发明实施例提供的技术方案如下：

第一方面，提供了一种脑血管出血与缺血预测方法，包括步骤：

s1、利用相关医疗病史数据构建第一训练数据集；

s2、构建多个医疗数据预测模型，并使用所述第一训练数据集训练所述多个医疗数据预测模型；

s3、利用脑部动脉医疗影像数据构建第二训练数据集；

s4、构建多个医疗图像预测模型，并使用所述第二训练数据集训练所述多个医疗图像预测模型；

s5、对训练好的所述多个医疗数据预测模型和训练好的所述多个医疗图像预测模型进行融合，以对目标患者的脑血管出血与缺血进行预测。

在一些实施例中，所述步骤s1中利用相关医疗病史数据构建第一训练数据集包括：

s11、从所述相关医疗病史数据中抽取关键信息；

s12、对所述关键信息进行数据清洗处理；

s13、从经过数据清洗处理后的所述关键信息中提取所述多个危险因子；

s14、对所述多个危险因子进行标签标注，以构建所述第一训练数据集；

其中，标注的所述标签包括无疾病标签、出血标签和缺血标签。

在一些实施例中，所述步骤s12中对所述关键信息进行数据清洗处理包括：

对所述关键信息依次进行去噪声处理、无量纲化处理；

对无量纲化处理后的所述关键信息中的连续特征进行离散化处理；

对无量纲化处理后的所述关键信息中的离散特征及所述离散化处理后的所述连续特征进行独热编码。

在一些实施例中，所述步骤s2中构建多个医疗数据预测模型包括：

s21、对采用多个算法建立的多个初始模型分别进行非线性映射回归处理，得到所述多个医疗数据预测模型，；

s22、对所述多个医疗数据预测模型分别设置超参数。

在一些实施例中，所述步骤s3中利用脑部动脉医疗影像数据构建第二训练数据集包括：

s31、对所述脑部动脉医疗影像数据进行解析转化为时间序列的图片集，并将所述图片集合成为血管造影图像；

s32、对所述血管造影图像进行图像预处理；

s33、对图像预处理后的所述血管造影图像进行特征提取并确定所述血管造影图像对应的标签，构建所述第二训练数据集。

在一些实施例中，所述步骤s4中构建多个医疗图像预测模型包括：

s41、采用多个深度学习模型构建所述医疗图像预测模型；

s42、对所述多个医疗图像预测模型分别设置超参数。

在一些实施例中，所述步骤s5中对训练好的所述多个医疗数据预测模型和训练好的所述多个医疗图像预测模型进行融合，以对目标患者的脑血管出血与缺血进行预测包括：

s51、根据所述目标患者的相关医疗病史数据，通过训练好的所述多个医疗数据预测模型获取多个第一预测结果；

s52、根据所述目标患者的脑部动脉医疗影像数据，通过训练好的所述多个医疗图像预测模型获取多个第二预测结果；

s53、对所述多个第一预测结果和所述多个第二预测结果进行融合，以对所述目标患者的脑血管出血与缺血进行预测。

第二方面，提供了一种脑血管出血与缺血预测装置，包括：

第一样本构建模块，用于利用相关医疗病史数据构建第一训练数据集；

第一模型构建模块，用于构建多个医疗数据预测模型；

第一模型训练模块，用于使用所述第一训练数据集训练所述多个医疗数据预测模型；

第二样本构建模块，用于利用脑部动脉医疗影像数据构建第二训练数据集；

第二模型构建模块，用于构建多个医疗图像预测模型；

第二模型训练模块，用于使用所述第二训练数据集训练所述多个医疗图像预测模型；

融合预测模块，用于对训练好的所述多个医疗数据预测模型和训练好的所述多个医疗图像预测模型进行融合，以对目标患者的脑血管出血与缺血进行预测。

在一些实施例中，所述第一样本构建模块包括：

抽取子模块，用于从所述相关医疗病史数据中抽取关键信息；

清洗处理子模块，用于对所述关键信息进行数据清洗处理；

提取子模块，用于从经过数据清洗处理后的所述关键信息中提取所述多个危险因子；

第一构建子模块，用于对所述多个危险因子进行标签标注，以构建所述第一训练数据集；

其中，标注的标签与无疾病、出血和缺血相对应。

在一些实施例中，所述清洗处理子模块具体用于：

对所述关键信息依次进行去噪声处理、无量纲化处理；

对无量纲化处理后的所述关键信息中的连续特征进行离散化处理；

对无量纲化处理后的所述关键信息中的离散特征及所述离散化处理后的所述连续特征进行独热编码。

在一些实施例中，所述第一模型构建模块包括：

第一模型构建子模块，用于对采用多个算法建立的多个初始模型分别进行非线性映射回归处理，得到所述多个医疗数据预测模型；

第一参数设置子模块，用于对所述多个医疗数据预测模型分别设置超参数。

在一些实施例中，所述第二样本构建模块包括：

解析处理子模块，用于对所述脑部动脉医疗影像数据进行解析转化为时间序列的图片集，并将所述图片集合成为血管造影图像；

预处理子模块，用于对所述血管造影图像进行图像预处理；

第二构建子模块，用于对图像预处理后的所述血管造影图像进行特征提取并确定所述血管造影图像对应的标签，构建所述第二训练数据集。

在一些实施例中，所述第二模型构建模块包括：

第二模型构建子模块，用于采用多个深度学习模型构建所述医疗图像预测模型；

第二参数设置子模块，用于并对所述多个医疗图像预测模型分别设置超参数。

在一些实施例中，所述融合预测模块包括：

第一结果获取子模块，用于根据所述目标患者的相关医疗病史数据，通过训练好的所述多个医疗数据预测模型获取多个第一预测结果；

第二结果获取子模块，用于根据所述目标患者的脑部动脉医疗影像数据，通过训练好的所述多个医疗图像预测模型获取多个第二预测结果；

融合预测子模块，用于对所述多个第一预测结果和所述多个第二预测结果进行融合，以对所述目标患者的脑血管出血与缺血进行预测。

第三方面，提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的脑血管出血与缺血预测方法。

第四方面，本发明实施例还提供了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如上所述的脑血管出血与缺血预测方法。

本发明提供的脑血管出血与缺血预测方法及装置，通过利用相关医疗病史数据构建的第一训练数据集训练多个医疗数据预测模型，并结合利用脑部动脉医疗影像数据构建的第二训练数据集训练多个医疗图像预测模型，以及通过对训练好的所述多个医疗数据预测模型和训练好的所述多个医疗图像预测模型进行融合，以对目标患者的脑血管出血与缺血进行预测，由此可以实现对于患者是否会发生脑血管出血与缺血现象进行快速、准确地预测，不但可以有效改善漏诊与误诊的情况发生，辅助医生提高诊断水平和诊断效率，而且能够有效降低求医成本、缓解医疗资源缺乏的问题，推动医疗事业发展。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的脑血管出血与缺血预测方法的流程图；

图2为本发明实施例一提供的利用相关医疗病史数据构建第一训练数据集的流程图；

图3为本发明实施例一提供的构建多个医疗数据预测模型的流程图；

图4为本发明实施例一提供的利用脑部动脉医疗影像数据构建第二训练数据集的流程图；

图5为本发明实施例一提供的血管造影原始图像与预处理结果的示意图；

图6为本发明实施例一提供的构建多个医疗图像预测模型的流程图；

图7为本发明实施例一提供的对训练好的多个医疗数据预测模型和训练好的多个医疗图像预测模型进行融合的流程图；

图8为本发明实施例二提供的脑血管出血与缺血预测装置的框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，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。

实施例一

图1为本发明实施例一提供的脑血管出血与缺血预测方法的流程图，该方法可以由脑血管出血与缺血预测装置来执行，该装置可以采用软件/硬件的方式实现。如图1所示，该方法具体包括：

s1、利用相关医疗病史数据构建第一训练数据集。

s2、构建多个医疗数据预测模型，并使用第一训练数据集训练多个医疗数据预测模型。

s3、利用脑部动脉医疗影像数据构建第二训练数据集。

s4、构建多个医疗图像预测模型，并使用第二训练数据集训练多个医疗图像预测模型。

需要说明的是，可以在执行步骤s1之前执行步骤s3，也可以执行步骤s1的同时执行步骤s3，也可以在执行步骤s2的同时执行步骤s3，还可以在执行步骤s2之后执行步骤s3。本发明实施例中，以同时执行步骤s1与步骤s3作为优选方案，以提高脑血管出血与缺血预测效率。

s5、对训练好的多个医疗数据预测模型和训练好的多个医疗图像预测模型进行融合，以对目标患者的脑血管出血与缺血进行预测。

本发明提供的脑血管出血与缺血预测方法，通过利用相关医疗病史数据构建的第一训练数据集训练多个医疗数据预测模型，并结合利用脑部动脉医疗影像数据构建的第二训练数据集训练多个医疗图像预测模型，以及通过对训练好的多个医疗数据预测模型和训练好的多个医疗图像预测模型进行融合，以对目标患者的脑血管出血与缺血进行预测，由此可以实现对于患者是否会发生脑部出血与缺血现象进行快速、准确地预测，不但可以有效改善漏诊与误诊的情况发生，辅助医生提高诊断水平和诊断效率，而且能够有效降低求医成本、缓解医疗资源缺乏的问题，推动医疗事业发展。

为便于本领域技术人员更清楚理解本发明技术方案，下面对前述方法中各个步骤的具体实现进行详细的描述。

前述步骤s1中利用相关医疗病史数据构建第一训练数据集的具体实现可如图2所示，包括：

s11、从相关医疗病史数据中抽取关键信息。

其中，相关医疗病史数据可以包括医院处获取到的关于就诊者的个人脱敏后的医疗病史数据，具体包括性别、年龄等以及与脑部出血与缺血相关的指标，如是否患有高血压、糖尿病、高脂血症等病症、凝血功能、血常规指标等。其中，相关医疗病史数据可以是电子和/或纸质材料形式记录。

针对电子材料形式的相关医疗病史数据，可以通过自动化查询、抽取到关键信息，对关键信息关联就诊者，并进行结构化存储；针对纸质材料形式的相关医疗病史数据，通过ocr技术进行文字识别，提取到关键信息，关联就诊者，并进行结构化存储。本发明实施例对具体的抽取过程不作具体限定。

s12、对关键信息进行数据清洗处理。

具体的，该过程可以包括：

a、对关键信息依次进行去噪声处理、无量纲化处理。

因医疗病史数据来源多样化，导致在步骤s11中抽取到的关键信息包含有许多噪声，比如包括数据空缺、数据异常等。为了便于后续构建第一训练数据集，需要对关键信息进行去除噪声处理。

具体的，去噪声处理可以是将空缺值、异常值进行补0操作。此外，去噪声处理还可以是采用其他处理方式，本发明实施例对此不作限定。

此外，为了消除关键信息的量纲效应，使每个关键信息都具有同等的表现力，可以使用消量纲的方法，对不同的关键信息进行区间缩放。

具体的，可以通过对于多个关键信息中最大最小值进行处理，将原始的特征值变换到[0,1]区间范围。具体计算公式为：

其中，x为某一个特征的所有数值集合，xi∈x。

此外，还可以采用其它无量纲化处理的方法，本发明实施例对此不作限定。

b、对无量纲化处理后的关键信息中的连续特征进行离散化处理。

具体的，关键信息中包含有连续性特征和离散特征，比如，年龄、体重等为连续性特征，性别、是否患有糖尿病、血型等为离散特征。

针对无量纲化处理后的关键信息中的连续特征，通过分箱法将连续数值根据规则放到对应的集合里。在进行分箱时利用采用woe(weightofevidence)以及iv(informationvalue)指标对于分箱结构进行评估，具体计算公式如下：

其中，指的是每组分箱中患病的个数与总患病个数的比例，指的是每组分箱中未患病的个数与总无病个数的比例。

c、对无量纲化处理后的关键信息中的离散特征及离散化处理后的连续特征进行独热编码。

通过对离散特征进行独热编码(one-hot)可以实现特征的扩充。比如性别本身是一个离散特征，经过one-hot编码以后，可以得到男或女两个特征。

s13、从经过数据清洗处理后的关键信息中提取多个危险因子。

其中，危险因子包括关键危险因子和潜在危险因子。危险因子是指可以直接诱发脑血管疾病的关键特征，潜在危险因子是指可能导致发生脑血管疾病的关键特征。

具体的，首先通过人工总结归纳，从经过数据清洗处理后的关键信息中选取出用以作为预测脑血管疾病的关键特征。其中，关键特征包括但不限于：性别、年龄、血压、血脂等。

除却人工选择的关键危险因子，其余潜在的危险因子也可能导致脑血管疾病的发生。对于此类特征，可以通过logistics分类器，采用前向搜索策略进行关键特征筛选。

本发明实施例中，由于脑血管出血与缺血的症状，通常与各类生理指标紧密关联，通过从相关医疗病史数据中抽取关键信息，对关键信息进行数据清洗处理，并从经过数据清洗处理后的关键信息中提取多个危险因子，可进一步为后续模型建立以及模型训练提供较好的数据输入，同时可提高计算速度。

s14、对多个危险因子进行标签标注，以构建第一训练数据集，其中，标注的标签包括无疾病标签、出血标签和缺血标签。

其中，可以采用“0”表示无疾病标签，“1”表示出血标签，“2”表示缺血标签，也可以根据需要，采用其他的标记方式。

其中，构建的第一训练数据集可以划分为三个部分：训练集、验证集与测试集。在具体实施过程中，可以采用60％的第一训练数据集用以训练，20％的第一训练数据集用于验证，其余数据用于测试。

前述步骤s2中构建多个医疗数据预测模型的具体实现可如图3所示，包括：

s21、对采用多个算法建立的多个初始模型分别进行非线性映射回归处理，得到多个医疗数据预测模型。

具体的，对于脑血管出血和缺血预测，可以采用多个算法建立初始模型，其中包括但不限于：xgboost、梯度提升树gbdt、支持向量机svm模型等。对多个初始模型对进行非线性映射回归处理，可以得到多个医疗数据预测模型。多个医疗数据预测模型可以表示为{h1,h2,…,hn}。

s22、对多个医疗数据预测模型分别设置超参数。

具体的，该过程可以包括：

a、对多个医疗数据预测模型分别初始化超参数。

其中，以xgboost算法为例说明：xgboost是一种基于boosting的集成学习算法，以二叉分类树或者回归树作为基学习器来实现分类或预测任务。假设算法中有k棵树，则算法的最终预测结果为k棵树的和，公式如下所示：

其中，fk为第k个基学习器对应的模型函数。

xgboost的目标函数如下所示：

其中，目标函数的第一项为训练误差，第二项为树的复杂度。复杂度公式定义如下：

其中第一项是叶子节点数，第二项是叶子得分的l2范数，γ、λ为对应的权重。

由上述公式可知，树的个数k、权重γ、λ为xgboost的超参数，此外比较重要的超参数还有树的最大深度、缩减系数等。

b、对多个医疗数据预测模型分别选择最优超参数

对于每一个医疗数据预测模型，根据经验确定超参数的取值范围，然后使用网格搜索方法选择最优的超参数。其主要思想是：假设一个模型有n个参数，每个参数pi存在ni个候选值，通过排列组合，就会产生中参数组合方式，分别用每组参数进行试验，搜索最佳参数。

在对多个医疗数据预测模型分别设置超参数后，使用步骤s1构建的第一训练数据集训练多个医疗数据预测模型。其中，可以使用第一训练数据集中的训练集分别训练多个医疗数据预测模型，使用第一训练数据集中的验证集、测试集分别对多个医疗数据预测模型进行验证、测试，评估各个医疗数据预测模型的预测准确率，依据模型预测准确率调整各个医疗数据预测模型的超参数。

前述步骤s3中利用脑部动脉医疗影像数据构建第二训练数据集的具体实现可如图4所示，包括：

s31、对脑部动脉医疗影像数据进行解析转化为时间序列的图片集，并将图片集合成为血管造影图像。

对于部分就诊者，会进行脑部动脉血管的数字减影血管造影(dsa)，以观察就诊者脑部动脉血管的状态，诊断是否存在某些疾病，如烟雾病、动脉瘤等。同时，这些医疗影像也可以用来辅助脑动脉血管出缺血的诊断。

具体的，脑部动脉医疗影像数据具体可以是dicom文件，dicom文件中存储了针对同一个病人联系拍摄的动脉医疗影像数据，如拍摄设备、拍摄角度、拍摄角度增量、影像的帧像素数据，还存储有该病人的病人编号、姓名等信息。

其中，可以使用python图像处理相关模块解析脑部动脉医疗影像数据，转化为时间序列的图片集，不同时刻的图片对应着不同的造影剂在血管中的分布状态。为了得到比较清晰完整的血管造影图像，需要对影像按照合理的规则进行叠加融合，根据dsa拍摄设备生产商(manufacturer)的不同，选择医疗影像中不同时间范围内的图片进行叠加。

其中，对多个医疗影像进行叠加融合可以采用如下预设规则：

a、对于g类拍摄设备，选用拍摄时间占比范围为γ1％到γ2％的图片进行叠加，其中，g类拍摄设备为拍摄效果不佳的拍摄设备。

b、对于其他拍摄设备，选用拍摄时间占比范围ε1％到ε2％的图片进行叠加。

c、忽略设备差异，选用所有帧的图片进行叠加，减去不含造影剂的医疗影像背景。

上述所提到的图片叠加操作主要通过python图像库实现，首先将选定范围内的若干张图片的对应像素值相加，然后除以参与叠加的图片总数量。

s32、对血管造影图像进行图像预处理。

具体的，对血管造影图像进行图像缩放、截断阈值化处理、对比度增强处理及图像去噪声处理。

关于图像缩放，由于拍摄dsa的设备以及拍摄参数设置存在差异，生成血管造影图像的尺寸也存在差异。而对于绝大多数深度学习算法，都要求输入的图像有统一的尺寸，因此在血管分割前需要进行图像缩放到统一尺寸。其中，可以采用现有技术中的图像缩放方法对血管造影图像进行图像缩放。

关于截断阈值化处理，不同于二值阈值化，经过截断阈值化后的图像还是多像素值的，只有大于阈值的像素点会被置为该阈值，小于阈值的像素点灰度值不变，即较浅色的图像会被加深。这样可以消除一些噪音点，对图像对比度增强、滤波去噪等图像预处理操作都会有帮助作用。

关于对比度增强处理，因为造影剂是在注入到血液中并随血液一起流动，并且x光无法穿透造影剂，因此在血管造影图像中血管呈现为深色，血管以外的背景呈现为浅色。通过指数变换、直方图均衡化等算法对图像的对比度增强，可以使血管和背景的对比度更强，差异性更大，目标特征更加突出，便于后续对血管造影图像进行标签标注。

关于图像去噪声处理，可通过图像滤波、膨胀腐蚀等操作去除图像中可能存在的噪音，如图像中可能会存在的文字。

采用上述步骤s32的方式，可以得到图5所示的血管造影原始图像与预处理结果的示意图。其中，图5中的(a)所示的为血管造影原始图像，图5中的(b)所示的为与血管造影原始图像对应的预处理结果。

s33、对图像预处理后的血管造影图像进行特征提取并确定血管造影图像对应的标签，构建第二训练数据集。

具体的，血管造影图像对应的标签用于标识血管造影图像是否指示脑血管无疾病、出血或缺血，即，标签包括无疾病标签、出血标签和缺血标签。标签可以直接从医生对血管造影图像的诊断结论而获得。

其中，可以采用“0”表示无疾病标签，“1”表示出血标签，“2”表示缺血标签，也可以根据需要，采用其他的标记方式。

对于图像预处理后的血管造影图像进行特征提取可以采用多种方式来实现，例如，可以采用卷积神经网络cnn、深度神经网络dnn、循环神经网络rnn等。从血管造影图像提取出的特征能够代表图像中的深层关联特征，能够用以与血管造影图像对应的标签，构建第二训练数据集，以用以后续训练医疗图像预测模型。

前述步骤s4中构建多个医疗图像预测模型的具体实现可如图6所示，包括：

s41、采用多个深度学习模型构建医疗图像预测模型。

其中，多个深度学习模型包括但不限于resnet50，inceptionv3等。

一个深度学习模型可以对应用于构建一个医疗图像预测模型。

s42、对多个医疗图像预测模型分别设置超参数。

具体的，对多个医疗图像预测模型分别初始化超参数，并选择损失函数和优化器。其中，网络超参数设置包括batch_size、epochs、learning_rate。

其中，选择损失函数和优化器，包括：

a、采用交叉熵计算训练精度，计算公式为：

其中y为真实标签，a为经过神经网络预测的输出。在优化神经网络参数时的目标即最小化交叉熵代价函数。

b、选择带有nesterov与momentum项的sgd作为优化器。

在对多个医疗图像预测模型分别设置超参数后，使用步骤s3构建的第二训练数据集训练多个医疗图像预测模型。以血管造影图像的特征作为输入，以出血、缺血或者正常为标记，训练多个医疗图像预测模型，利用交叉熵损失函数分别评价多个医疗图像预测模型的拟合程度，当拟合程度达到预设阈值时，通过反向传播分别调整多个医疗图像预测模型中的各个参数，以得到训练好的多个医疗图像预测模型。之后可以利用训练好的多个医疗图像预测模型进行脑血管出血与缺血预测。训练好的多个医疗图像预测模型可以标记为{hn+1,hn+2,…,hn}。

前述步骤s5中对训练好的多个医疗数据预测模型和训练好的多个医疗图像预测模型进行融合，以对目标患者的脑血管出血与缺血进行预测的具体实现可如图7所示，包括：

s51、根据目标患者的相关医疗病史数据，通过训练好的多个医疗数据预测模型获取多个第一预测结果。

具体的，该过程可以包括：

a、从目标患者的相关医疗病史数据中抽取关键信息。

其中，具体实施过程可以参照前述步骤s11，此处不再赘述。

b、对关键信息进行数据清洗处理。

其中，具体实施过程可以参照前述步骤s12，此处不再赘述。

c、从经过数据清洗处理后的关键信息中提取多个危险因子。

其中，具体实施过程可以参照前述步骤s13，此处不再赘述。

d、将提取到的目标患者的危险因子分别输入到训练好的多个医疗数据预测模型，获取多个第一预测结果，其中，多个第一预测结果表示为出血、缺血或正常。

其中，一个医疗数据预测模型对应一个第一预测结果。

s52、根据目标患者的脑部动脉医疗影像数据，通过训练好的多个医疗图像预测模型获取多个第二预测结果。

具体的，该过程可以包括：

a、对目标患者的脑部动脉医疗影像数据进行解析转化为时间序列的图片集，并将图片集合成为血管造影图像。

其中，具体实施过程可以参照前述步骤s31，此处不再赘述。

b、对血管造影图像进行图像预处理。

其中，具体实施过程可以参照前述步骤s32，此处不再赘述。

c、从图像预处理的目标患者的血管造影图像提取目标特征，并将目标特征分别输入到训练好的多个医疗图像预测模型，获取多个第二预测结果，其中，多个第二预测结果表示为出血、缺血或正常。

其中，一个医疗图像预测模型对应一个第二预测结果。

需要说明的是，可以在执行步骤s51之前执行步骤s52，也可以执行步骤s51的同时执行步骤s52，也可以在执行步骤s51之后执行步骤s52。本发明实施例中，以同时执行步骤s51与步骤s52作为优选方案，以提高脑血管出血与缺血预测的效率。

此外，值得注意的是，在具体实施过程中，根据实际需要确定是否执行步骤s51或步骤s52，若仅有目标患者的相关医疗病史数据，则只执行步骤s51，若仅有目标患者的血管造影图像，则只执行步骤s52。

s53、对多个第一预测结果和多个第二预测结果进行融合，以对目标患者的脑血管出血与缺血进行预测。

其中，对目标患者的脑血管出血与缺血进行预测，可以选取投票法作为对多个第一预测结果和多个第二预测结果进行融合的融合策略，即有对于多个模型产生的预测结果，选择预测结果数量最多的作为最终的预测结果，并输出最终的预测结果。比如，多个第一预测结果和多个第二预测结果共有10个，其中，预测结果表示为“出血”的为7个，那么对目标患者的脑血管出血与缺血进行预测的结果即为“出血”。

本发明实施例中，通过对训练好的多个医疗数据预测模型和训练好的多个医疗图像预测模型进行融合，以对目标患者的脑血管出血与缺血进行预测，能够获得更高的预测精度。

实施例二

作为对实施例一中的脑血管出血与缺血预测方法的实现，本发明实施例还提供一种脑血管出血与缺血预测装置，参照图8所示，该装置包括：

第一样本构建模块810，用于利用相关医疗病史数据构建第一训练数据集；

第一模型构建模块820，用于构建多个医疗数据预测模型；

第一模型训练模块830，用于使用第一训练数据集训练多个医疗数据预测模型；

第二样本构建模块840，用于利用脑部动脉医疗影像数据构建第二训练数据集；

第二模型构建模块850，用于构建多个医疗图像预测模型；

第二模型训练模块860，用于使用第二训练数据集训练多个医疗图像预测模型；

融合预测模块870，用于对训练好的多个医疗数据预测模型和训练好的多个医疗图像预测模型进行融合，以对目标患者的脑血管出血与缺血进行预测。

进一步地，第一样本构建模块810包括：

抽取子模块811，用于从相关医疗病史数据中抽取关键信息；

清洗处理子模块812，用于对关键信息进行数据清洗处理；

提取子模块813，用于从经过数据清洗处理后的关键信息中提取多个危险因子；

第一构建子模块814，用于对多个危险因子进行标签标注，以构建第一训练数据集；

其中，标注的标签包括无疾病标签、出血标签和缺血标签。

进一步地，清洗处理子模块812具体用于：

对关键信息依次进行去噪声处理、无量纲化处理；

对无量纲化处理后的关键信息中的连续特征进行离散化处理；

对无量纲化处理后的关键信息中的离散特征及离散化处理后的连续特征进行独热编码。

进一步地，第一模型构建模块820包括：

第一模型构建子模块821，用于对采用多个算法建立的多个初始模型分别进行非线性映射回归处理，得到多个医疗数据预测模型；

第一参数设置子模块822，用于对多个医疗数据预测模型分别设置超参数。

进一步地，第二样本构建模块840包括：

解析处理子模块841，用于对脑部动脉医疗影像数据进行解析转化为时间序列的图片集，并将图片集合成为血管造影图像；

预处理子模块842，用于对血管造影图像进行图像预处理；

第二构建子模块843，用于对图像预处理后的血管造影图像进行标签标注，构建第二训练数据集。

进一步地，第二模型构建模块850包括：

第二模型构建子模块851，用于采用多个深度学习模型构建医疗图像预测模型；

第二参数设置子模块852，用于并对多个医疗图像预测模型分别设置超参数。

在一些实施例中，融合预测模块870包括：

第一结果获取子模块871，用于根据目标患者的相关医疗病史数据，通过训练好的多个医疗数据预测模型获取多个第一预测结果；

第二结果获取子模块872，用于根据目标患者的脑部动脉医疗影像数据，通过训练好的多个医疗图像预测模型获取多个第二预测结果；

融合预测子模块873，用于对多个第一预测结果和多个第二预测结果进行融合，以对目标患者的脑血管出血与缺血进行预测。

本实施例提供的脑血管出血与缺血预测装置，与本发明实施例所提供的脑血管出血与缺血预测方法属于同一发明构思，可执行本发明任意实施例所提供的脑血管出血与缺血预测方法，具备执行脑血管出血与缺血预测方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例提供的脑血管出血与缺血预测方法，此处不再加以赘述。

此外，本发明另一实施例还提供一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如实施例一所述的动脉血管图像分割模型训练方法。

此外，本发明另一实施例还提供一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如实施例一所述的脑血管出血与缺血预测方法。

此外，本发明另一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如实施例一的脑血管出血与缺血预测方法。

本领域内的技术人员应明白，本发明实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例中是参照根据本发明实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例中范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。