利用计算机芯片评估急性缺血性卒中CT影像数据模型方法与流程

利用计算机芯片评估急性缺血性卒中ct影像数据模型方法
技术领域
1.本发明属于医学影响检测技术领域，尤其涉及一种利用计算机芯片评估急性缺血性卒中ct影像数据模型方法。


背景技术：

2.随着我国人口老年化程度的不短加剧，同时由于生活条件和生活方式的改变，脑卒中的发病率逐年增加。众所周知，急性缺血性卒中(急性脑梗死)是我国最常见的卒中类型，拥有极高的病死率和致残率。rt-pa静脉溶栓治疗，可有效降低缺血性卒中的病死率和致残率
1.，但因醒后卒中发病时间不确定，因此我们需要考虑如何依赖早期的ct影像对醒后卒中的病人进行溶栓治疗而不增加出血转化的风险。近年来，大量临床研究同样证实，合理筛选的大血管闭塞性卒中患者，血管内治疗可带来显著的临床获益
2.，但是对于进展性卒中的患者，我们如何依据ct影像资料减少超时间窗患者介入手术并发症的发生率，仍需要我们进一步研究。因此，脑卒中的早期的ct影像数据的判定也成为神经内科医师需要面对的一项重要挑战。
3.急性缺血性卒中的诊断主要依赖临床症状、体征和影像学。但急性缺血性卒中早期存在缺血半暗带，因此发生脑梗死的时间应晚于出现临床症状和体征的时间，而目前ct影像亦不能确定梗死发生的时间，没有建立好的模型对其进行及时判断，这样容易误判新发梗死核心的大小，增加缺血再灌注损伤、恶性大脑中动脉综合征等并发症的风险或错过急性缺血性卒中的溶栓或血管内治疗的最佳治疗时机，因此利用计算机芯片技术评估急性缺血性卒中的ct影像数据模型，判断急性缺血性卒中发病的时间段，具有重要的应用价值。
4.通过上述分析，现有技术存在的问题及缺陷为：
5.(1)现有技术没有建立好的模型确定梗死发生的时间。
6.(2)现有诊断技术难以判断醒后卒中或进展性卒中的溶栓或血管内治疗的最佳治疗时机。


技术实现要素：

7.针对现有技术存在的问题，本发明提供了一种利用计算机芯片评估急性缺血性卒中ct影像数据模型方法。
8.本发明是这样实现的，所述利用计算机芯片评估急性缺血性卒中ct影像数据模型方法，包括：
9.步骤一，收集各医院的急性缺血性卒中ct影像数据，并按照不同部位、发病后不同时间段进行数据分类，根据数据生成的曲线建立初步的新发急性缺血性卒中模型；
10.步骤二，从分类数据中抽取一部分数据作为验证集保留，将剩余的数据输入初步建立的模型进行模型训练；
11.步骤三，将保留的验证集数据输入到训练好的模型中；观察结果，评估模型的准确性；
12.步骤四，根据评估的结果，对模型进行优化，将建立好的模型嵌入计算机芯片中以供其他设备使用；
13.所述步骤三中，模型训练具体过程为：
14.将训练数据输入模型，对数据进行预处理，生成输入图像和标签图像，并对相应的图像进行处理；
15.分析模型的loss值，使用mse函数进行调节，
16.所述输入图像和标签图像进行处理的过程为：
17.将输入图像和标签图像进行预处理，转为灰度图像
18.通过灰度阀值寻找区域，通过特征点提取，提取固定区域，对提取的区域做处理；
19.所述输入图像和标签图像进行预处理包括：数字化、几何变换、归一化、平滑、复原和增强；
20.所述图像增强的具体过程为：
21.设含有噪声的图像表示为：
[0022][0023]
其中，原始图像f(x，y)被零均值，方差σ2的高斯白噪声n(x，y)所污染，通过维纳滤波器g(x，y)；
[0024]
根据维纳滤波准则，上述改为：
[0025][0026]
设f(x，y)的尺寸m
×
n，用h表示维纳滤波器，为：
[0027]
h＝rf(rf+σ2i)-1
；
[0028]
其中，rf＝e(ff
t
)为自相关函数，i为单位矩阵，设ui是rf的特征向量，对应的特征值为：λi，令u＝[u1，u2，
…
，un]是m
×
n特征矩阵，其中，λ＝diag[λ1，λ2，
…
，λn]；
[0029]
则：
[0030]
将rf函数关系式带入h函数关系式中；
[0031][0032][0033]
在实际图像处理过程中，由于σ2的值未知，一般估计为：
[0034][0035]
其中，
[0036][0037]
进一步，所述图像数字化具体过程为：
[0038]
确定合适的点，对待数字化的图像进行采样描述；
[0039]
采样描述完成后，利用一定范围的数值，对采样的每一个点进行表示；
[0040]
采用点表示完成后，对所有的点进行压缩编码。
[0041]
进一步，所述数据分类的具体过程为：
[0042]
在不同部位脑组织、发病后不同时间段的数据，将每个对象看做一类，计算两两之间的最小距离；
[0043]
将距离最小的两个类合并成一个新类，重复计算新类与所有类之间的距离，直至全部数据进行分类完毕。
[0044]
进一步，所述图像平滑处理的具体过程为：
[0045]
将待平滑处理的图像，确定相应的尺寸；
[0046]
在图像中设置圆形存缓冲区，用以暂存结果图像，并进行初始化；
[0047]
对扫描圆形存缓冲区的每个像素点，并对像素值进行排序；将求得到的中间值赋值给目标图像中与当前点对应的像素点，直到处理完源图像的全部像素点。
[0048]
进一步，所述图像特征点提取，具体过程为：
[0049]
在图像中确定相应的检测窗口，并对图像进行归一化处理；
[0050]
归一化处理完成后，对窗口中的图像求灰度值和梯度；
[0051]
对于每个窗口对梯度直方图进行规定权重的投影，将所有的直方图进行连接，构成相应的特征点。
[0052]
进一步，所述验证集为训练集中的一小部分数据，用来验证训练的结果。
[0053]
进一步，所述步骤四中，模型优化使用adam优化器。
[0054]
进一步，所述步骤四中，设备包括急性缺血性卒中检测设备、急性缺血性卒中复发检测设备。
[0055]
本发明另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用所述的评估急性缺血性卒中影像数据模型的设计方法。
[0056]
本发明另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述的评估急性缺血性卒中影像数据模型的设计方法。
[0057]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过收集现有的所有急性缺血性卒中的ct影像数据，进行数据分类后建立急性缺血性卒中的ct影像数据模型，保证了模型的可用性以及可训练性，保留了一部分验证集对模型进行验证保证了模型的准确率，使得模型建立好后在嵌入其他设备后可以快速根据病患的情况进行情况判断，评估急性缺血性卒中发生的时间窗，为后续选择急性缺血性卒中的治疗方案以及评
估其预后提供更准确的判断。
附图说明
[0058]
为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本技术的一些实施例，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。
[0059]
图1是本发明实施例提供的利用计算机芯片评估急性缺血性卒中ct影像数据模型方法流程图。
[0060]
图2是本发明实施例提供的模型训练方法流程图。
[0061]
图3是本发明实施例提供的图像数字化方法流程图。
[0062]
图4是本发明实施例提供的数据分类方法流程图。
[0063]
图5是本发明实施例提供的图像平滑处理方法流程图。
具体实施方式
[0064]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0065]
针对现有技术存在的问题，本发明提供了一种利用计算机芯片评估急性缺血性卒中ct影像数据模型方法，下面结合附图对本发明作详细的描述。
[0066]
如图1所示，本发明实施例提供的急性缺血性卒中的ct影像数据模型的设计方法，包括：
[0067]
s101：收集各医院的急性缺血性卒中ct影像数据，并按照不同部位、发病后不同时间段进行数据分类，根据数据生成的曲线建立初步的新发急性缺血性卒中模型；
[0068]
s102：从分类数据中抽取一部分数据作为验证集保留，将剩余的数据输入初步建立的模型进行模型训练；
[0069]
s103：将保留的验证集数据输入到训练好的模型中；观察结果，评估模型的准确性；
[0070]
s104：根据评估的结果，对模型进行优化，将建立好的模型嵌入计算机芯片中以供其他设备使用。
[0071]
本发明实施例提供的s102中，验证集为训练集中的一小部分数据，用来验证训练的结果。
[0072]
如图2所示，本发明实施例提供的s103中，模型训练具体过程为：
[0073]
s201：将训练数据输入模型，对数据进行预处理，生成输入图像和标签图像，并对相应的图像进行处理；
[0074]
s202：分析模型的loss值，使用mse函数进行调节。
[0075]
本发明实施例提供的输入图像和标签图像进行处理的过程为：
[0076]
将输入图像和标签图像进行预处理，转为灰度图像；输入图像和标签图像指卒中的影像资料；
[0077]
通过灰度阀值寻找区域，通过特征点提取，提取固定区域，对提取的区域做处理。
[0078]
本发明实施例提供的输入图像和标签图像进行预处理包括：数字化、几何变换、归一化、平滑、复原和增强。
[0079]
其中，图像增强的具体过程为：
[0080]
设含有噪声的图像表示为：
[0081][0082]
其中，原始图像f(x，y)被零均值，方差σ2的高斯白噪声n(x，y)所污染，通过维纳滤波器g(x，y)；
[0083]
根据维纳滤波准则，上述改为：
[0084][0085]
设f(x，y)的尺寸m
×
n，用h表示维纳滤波器，为：
[0086]
h＝rf(rf+σ2i)-1
；
[0087]
其中，rf＝e(ff
t
)为自相关函数，i为单位矩阵，设ui是rf的特征向量，对应的特征值为：λi，令u＝[u1，u2，
…
，un]是m
×
n特征矩阵，其中，λ＝diag[λ1，λ2，
…
，λn]；
[0088]
则：
[0089]
将rf函数关系式带入h函数关系式中；
[0090][0091]
在实际图像处理过程中，由于σ2的值未知，一般估计为：
[0092][0093]
其中，
[0094][0095]
如图3所示，本发明实施例提供的图像数字化具体过程为：
[0096]
s301：确定合适的点，对待数字化的图像进行采样描述；
[0097]
s302：采样描述完成后，利用一定范围的数值，对采样的每一个点进行表示；
[0098]
s303：采用点表示完成后，对所有的点进行压缩编码。
[0099]
如图4所示，本发明实施例提供的数据分类的具体过程为：
[0100]
s401：在不同部位脑组织、发病后不同时间段的数据，将每个对象看做一类，计算两两之间的最小距离；
[0101]
s402：将距离最小的两个类合并成一个新类，重复计算新类与所有类之间的距离，直至全部数据进行分类完毕。
[0102]
如图5所示，本发明实施例提供的图像平滑处理的具体过程为：
[0103]
s501：将待平滑处理的图像，确定相应的尺寸；
[0104]
s502：在图像中设置圆形存缓冲区，用以暂存结果图像，并进行初始化；
[0105]
s503：对扫描圆形存缓冲区的每个像素点，并对像素值进行排序；将求得到的中间值赋值给目标图像中与当前点对应的像素点，直到处理完源图像的全部像素点。
[0106]
本发明实施例提供的图像特征点提取，具体过程为：
[0107]
在图像中确定相应的检测窗口，并对图像进行归一化处理；
[0108]
归一化处理完成后，对窗口中的图像求灰度值和梯度；
[0109]
对于每个窗口对梯度直方图进行规定权重的投影，将所有的直方图进行连接，构成相应的特征点。
[0110]
本发明实施例提供的s104中，模型优化使用adam优化器。
[0111]
本发明实施例提供的s104中，设备包括急性缺血性卒中检测设备、急性缺血性卒中复发检测设备。
[0112]
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。