一种风险评估方法及装置、存储介质及电子设备与流程

1.本公开涉及神经网络技术领域，具体涉及一种风险评估方法及装置、存储介质及电子设备。


背景技术：

2.如今恶性肿瘤是全球发病率最高的疾病之一，胶质瘤作为颅内最常见的恶性肿瘤，目前治疗的手段仍以手术为主，但胶质瘤很难根治，病情进展较快，手术后易复发，导致胶质瘤患者生存概率降低，因此，为了能够及时治疗，阻止肿瘤生长和延缓复发，生存风险分析评估显得尤为重要。但由于恶性肿瘤的类型不同，病情发展程度不同，尽管肿瘤治疗水平飞速进步，高级胶质瘤的预后仍然较差，医生需要根据自身经验对不同患者进行治疗和诊断，医生需要消耗大量的时间去积累经验，因此，亟需能够帮助医生更快速、准确率更高的生存风险分析，帮助医生对胶质瘤患者更好地诊断并预测复发。


技术实现要素：

3.有鉴于此，本公开提供一种风险评估方法及装置、存储介质及电子设备，能够快速、高准确的对胶质瘤患者进行风险评估，以解决胶质瘤患者预后较差的问题，能够帮助诊断和更准确地预测复发。
4.第一方面，本公开一实施例提供一种风险评估方法，该方法包括：基于目标用户的m套初始影像序列，生成m套感兴趣区域影像序列，其中，m套初始影像序列各自的模态互不相同，m为大于或等于2的正整数；利用生存分析模型，基于m套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据，其中，生存分析模型基于深度学习框架构建，通过拼接图像特征向量与临床信息特征向量，输出风险评估数据。
5.结合第一方面，在第一方面的某些实现方式中，利用生存分析模型，基于m套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据，包括：利用生存分析模型，对m套感兴趣区域影像序列进行特征提取，得到图像特征向量；利用生存分析模型，对临床信息数据进行特征提取，得到临床信息特征向量；拼接图像特征向量和临床信息特征向量，得到能够表征目标用户的拼接向量；基于拼接向量，得到目标用户的生存风险数据。
6.结合第一方面，在第一方面的某些实现方式中，生存分析模型包括深度卷积神经网络编码器、长短期记忆网络模块、多层感知机编码器和cox全连接层，其中，利用生存分析模型，对m套感兴趣区域影像序列进行特征提取，得到图像特征向量，包括：利用深度卷积神经网络编码器，对m套感兴趣区域影像序列分别进行特征提取，得到m个初始特征向量；利用长短期记忆网络模块，对m个初始特征向量进行融合，得到图像特征向量；其中，利用生存分析模型，对临床信息数据进行特征提取，得到临床信息特征向量，包括：利用多层感知机编码器对临床信息数据进行特征提取，得到临床信息特征向量；其中，基于拼接向量，得到目标用户的生存风险数据，包括：利用cox全连接层处理拼接向量，得到目标用户的生存风险
数据。
7.结合第一方面，在第一方面的某些实现方式中，基于目标用户的m套初始影像序列，生成m套感兴趣区域影像序列，包括：对目标用户的m套初始影像序列进行感兴趣区域标定，得到m套初始影像序列各自对应的感兴趣区域初始矩形框；针对每个感兴趣区域初始矩形框，将感兴趣区域初始矩形框的每条边向远离感兴趣区域中心的方向扩大至少一个单位像素距离，得到感兴趣区域初始矩形框对应的感兴趣区域扩展矩形框；基于m套初始影像序列各自对应的感兴趣区域扩展矩形框，分别分割m套初始影像序列，得到m套感兴趣区域影像序列。
8.结合第一方面，在第一方面的某些实现方式中，在利用生存分析模型，基于m套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据之前，还包括：基于p套初始影像样本序列，生成p套感兴趣区域影像样本序列，其中，p套感兴趣区域影像样本序列对应n个样本用户，n为小于p的正整数，p为大于或等于2的正整数；基于p套感兴趣区域影像样本序列和n个样本用户各自的临床信息数据，以样本用户为单位，生成n个样本用户各自对应的样本数据集，其中，样本数据集包含的感兴趣区域影像样本序列以生存时间降序的顺序排列；针对每个样本数据集，利用待训练模型生成样本数据集对应的图像特征向量和临床信息特征向量，并基于样本数据集对应的图像特征向量和临床信息特征向量调整待训练模型的模型参数，直至待训练模型达到预设收敛条件，得到生存分析模型。
9.结合第一方面，在第一方面的某些实现方式中，在生成n个样本用户各自对应的样本数据集之后，还包括：对n个样本用户各自对应的样本数据集进行数据划分，得到训练数据集和验证数据集，其中，训练数据集和验证数据集的数量比例为3:1；并且，针对每个样本数据集，利用待训练模型生成样本数据集对应的图像特征向量和临床信息特征向量，并基于样本数据集对应的图像特征向量和临床信息特征向量调整待训练模型的模型参数，直至待训练模型达到预设收敛条件，得到生存分析模型，包括：针对每个训练数据集，利用待训练模型生成训练数据集对应的图像特征向量和临床信息特征向量，并基于训练数据集对应的图像特征向量和临床信息特征向量调整待训练模型的模型参数；利用验证数据集，采用c-index对调整参数后的待训练模型进行评估，得到评估结果；若评估结果符合预设收敛条件，得到生存分析模型。
10.结合第一方面，在第一方面的某些实现方式中，目标用户为肿瘤患者，肿瘤患者包括胶质瘤患者；初始影像序列包括患者病灶所在部位的影像序列；兴趣区域，为患者的病灶区域。
11.第二方面，本公开一实施例公开一种风险评估装置，该装置包括：生成模块，用于基于目标用户的m套初始影像序列，生成m套感兴趣区域影像序列，其中，m套初始影像序列各自的模态互不相同，m为大于或等于2的正整数；确定模块，用于利用生存分析模型，基于m套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据，其中，生存分析模型基于深度学习框架构建，通过拼接图像特征向量与临床信息特征向量，输出生存风险数据。
12.第三方面，本公开一实施例提供一种电子设备，该电子设备包括处理器；用于存储处理器可执行指令的存储器，其中，处理器用于执行上述第一方面所提及的方法。
13.第四方面，本公开一实施例提供一种计算机可读存储介质，该存储介质存储有计
算机程序，计算机程序用于执行上述第一方面所提及的方法。
14.本公开实施例提供的风险评估方法，通过不同模态的影像数据和临床数据，通过对影像数据和临床数据特征进行拼接，并基于拼接向量对生存分析模型进行训练，且通过特征向量的不断调整，利用c-index对生存分析模型进行评估，最终得到最优的生存分析模型，对胶质瘤患者的样本数据进行风险评估，能够提高胶质瘤患者的临床诊断和治疗效果，同时，能够更加准确地得到胶质瘤患者的病情发展、复发概率等相关生存信息，提高胶质瘤患者的预后水平。
附图说明
15.通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。
16.图1所示为本公开一实施例提供的应用场景示意图。
17.图2所示为本公开一实施例提供的一种风险评估方法流程示意图。
18.图3所示为本公开一实施例提供的利用生存分析模型，基于m套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据流程示意图。
19.图4示为本公开一实施例提供的利用生存分析模型，得到图像特征向量和临床信息特征向量的流程示意图。
20.图5所示为本公开一实施例提供的生存分析模型进行生存分析的流程示意图。
21.图6所示为本公开一实施例提供的基于目标用户的m套初始影像序列，生成m套感兴趣区域影像序列流程示意图。
22.图7所示为本公开另一实施例提供的风险评估方法流程示意图。
23.图8所示为本公开另一实施例提供的风险评估方法流程示意图。
24.图9所示为本公开一实施例提供的风险评估装置示意图。
25.图10所示为本公开一实施例提供的电子设备结构示意图。
具体实施方式
26.下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本公开一部分实施例，而不是全部的实施例。
27.近年来，恶性肿瘤成为全球发病率最高的疾病之一，成为严重威胁到人们生命健康的疾病。不同类型的恶性肿瘤，导致患者的生存率也不相同，通常情况下，治疗恶性肿瘤的手段以手术治疗为主，胶质瘤作为常见的颅内恶性肿瘤，手术后复发率高，而且胶质瘤多种不同的类型，不同类型的胶质瘤的治疗和预后效果亦不相同。尽管近年来，肿瘤的诊疗水平不断提升，但高级别的胶质瘤的预后仍然较差。现有预后分析技术，仍然不能帮助医生快速准确地对胶质瘤患者的生存概率进行评估，不能帮助医生对胶质瘤患者诊断和治疗提供更精确的发展结果，帮助医生提高胶质瘤患者的存活率。由此可见，如何快速准确地对胶质瘤生存概率进行评估是亟需解决的问题。
28.下面结合图1对本公开一实施例的应用场景进行简单的介绍。
29.图1所示本公开一实施例的应用场景示意图。如图1所示，该场景为对胶质瘤患者
进行风险评分的场景。具体而言，风险评分的场景包括服务器110、分别与服务器110通信连接的用户终端120和数据存储设备130，服务器110用于执行本公开实施例提及的风险评分方法。
30.示例性地，在实际应用过程中，用户利用用户终端120向服务器110发出针对胶质瘤患者a的风险评分指令。服务器110在接收到该指令后，从数据存储设备130中调取胶质瘤患者a的患者数据(包括m套感兴趣区域影像序列和临床信息数据)，基于m套感兴趣区域影像序列和临床信息数据通过生存分析模型生成胶质瘤患者a的风险评分结果，继而向用户终端120发送该风险评分结果，以便用户终端120向用户呈现该结果。
31.示例性地，上述提及的用户终端120包括但不限于台式电脑、笔记本电脑等计算机终端及平板电脑、手机等移动终端。上述提及的数据存储设备130存储的数据包括但不限于患者a治疗期间医疗机构保存的所有影像数据和临床数据、用户输入的患者a的相关病灶区域影像数据和临床信息数据。
32.下面结合图2至图7对本公开的风险评估方法进行简单的介绍。
33.图2所示为本公开一实施例提供的一种风险评估方法流程示意图。如图2所示，本公开实施例提供的风险评估方法包括如下步骤。
34.步骤s210，基于目标用户的m套初始影像序列，生成m套感兴趣区域影像序列。
35.示例性地，选取胶质瘤患者为目标用户，感兴趣区域影像序列包括胶质瘤的病灶区域影像序列。也就是说，根据目标用户的病灶所在部位的磁共振影像(magnetic resonance imaging，mri)序列数据，如脑胶质瘤患者的脑部影像序列，选取flair序列图像、t1序列图像、t1ce序列图像和t2序列图像，以病灶区域为感兴趣区域生成m套感兴趣区域影像序列，使得风险评估结果更准确，生存分析模型工作量更少，提高风险评估速度。应当理解，目标用户的m套初始影像序列包括但不限于flair序列图像、t1序列图像、t1ce序列图像和t2序列图像，每套初始影像序列可以包含多个同序列图像数据，即包含不同模态下的多个影像数据，也可以是一种模态下的多个影像数据。应当理解，目标用户包括但不限于胶质瘤患者、鼻咽癌患者等肿瘤患者。
36.步骤s220，利用生存分析模型，基于m套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据。
37.示例性地，利用上述m套感兴趣区域影像序列和胶质瘤患者的临床信息数据，将上述病灶区域为感兴趣区域后，输入构建并训练好的生存分析模型中，生存分析模型采用pytorch框架进行建模，通过输入mri影像序列和临床信息数据，获得病灶区域图像特征向量与临床信息，拼接病灶区域图像特征向量与临床信息，输出风险评估数据。
38.示例性地，在基于目标用户的m套初始影像序列，生成m套感兴趣区域影像序列之前，还应对目标用户的初始数据(包括初始影像序列和对应的临床信息数据)进行清洗和预处理。对数据的清洗包括但不限于，移除非病灶部位的影像数据、去除成像质量差的影响数据以及去除影像序列数据和对应临床数据不匹配的患者数据；对数据的预处理包括但不限于，对影像数据进行初始边框勾画，初始边框范围为刚好包裹病灶区域，对临床信息数据进行缺失值填充、归一化等；应当理解，为保证利用的生存分析模型的准确度，在对生存分析模型进行训练时也需进行上述的数据的清洗和预处理。
39.由于利用的生存分析模型是基于深度学习框架构建，能够比传统的算法具有更高
的准确度，同时通过拼接图像特征向量与临床信息特征向量，能够使得病灶区域和临床信息的结合，在一种模态数据或多种模态数据的情况下都可以使用，具有应用可及性，且本公开实施例能够利用生存分析模型提高风险评估结果的精准度和鲁棒性。
40.图3所示为本公开提供一实施例的利用生存分析模型，基于m套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据流程示意图。在图2所示实施例基础上延伸出图3所示实施例，下面着重叙述图3所示实施例与图2所示实施例的不同之处，相同之处不再赘述。
41.如图3所示，本公开提供的利用生存分析模型，基于m套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据流程示意图，包括如下步骤。
42.步骤s310，利用生存分析模型，对m套感兴趣区域影像序列进行特征提取，得到图像特征向量。
43.示例性地，利用上述预先构建并训练好的生存分析模型，通过深度卷积网络模型获得不同模态下对应的特征向量，根据不同模态下对应的特征向量进行融合，获得目标用户的图像特征向量。
44.步骤s320，利用生存分析模型，对临床信息数据进行特征提取，得到临床信息特征向量。
45.示例性地，利用预先构建并训练好的生存分析模型，生存分析模型通过多个全连接层处理临床信息，得到与目标图像特征向量对应的临床信息特征向量。
46.步骤s330，拼接图像特征向量和临床信息特征向量，得到能够表征目标用户的拼接向量。
47.示例性地，拼接目标用户的图像特征向量和对应的临床信息特征向量，得到的拼接向量，能够直接对影响目标用户生存概率的因素进行判断，提高了输出风险评估结果的准确性，对诊断和治疗起到积极的作用。
48.步骤s340，基于拼接向量，得到目标用户的生存风险数据。
49.由于利用的生存分析模型对影像信息和临床信息进行分别处理，降低了模型的计算复杂程度，降低了生存分析模型的计算量，提高了风险评估结果的输出的速度。因此，本公开实施例能够快速、高效获得目标用户的生存概率结果。
50.图4示为本公开一实施例提供的利用生存分析模型，得到图像特征向量和临床信息特征向量的流程示意图。如图4所示，在本公开的一实施例中利用生存分析模型，得到图像特征向量和临床信息特征向量包括如下步骤。
51.步骤s410，利用深度卷积神经网络编码器，对m套感兴趣区域影像序列分别进行特征提取，得到m个初始特征向量。
52.示例性地，将上述m套病灶区域影像序列输入生存分析模型中，图像信息经过深度卷积神经网络resnet编码器处理，获得对应的m个初始特征向量，应当理解，使用的卷积神经网络包括但不限于resnet深度卷积神经网络、denset深度卷积神经网络。
53.步骤s420，利用长短期记忆网络(long short term memory，lstm)模块，对m个初始特征向量进行融合，得到图像特征向量。
54.示例性地，将上述获得的m个初始特征向量，不同模态的特征向量，通过长短期记忆网络模块进行融合，获得融合后的单个图像特征向量。
55.步骤s430，利用多层感知机编码器对临床信息数据进行特征提取，得到临床信息特征向量。
56.示例性地，在上述处理图像信息获取图像特征的同时，生存分析模型对临床信息进行处理，通过多层感知机编码器，对临床信息数据进行特征提取。
57.步骤s440，利用cox全连接层处理拼接向量，得到目标用户的生存风险数据。
58.示例性地，生存分析模型对获得的图像信息特征向量及临床信息特征向量进行拼接，获得拼接向量，拼接向量经过cox全连接层，输出目标用户的生存风险数据。
59.示例性地，生存分析模型包括深度卷积神经网络编码器、长短期记忆网络(lstm)模块、多层感知机编码器和cox全连接层。
60.由于生存分析模型处理影像信息和临床信息时，融合了多个模态下的特征向量，提高了生存分析模型输出结果的精度，也就是提高了风险评估结果的精度。因此，本公开实施例能够高精度地获得目标用户的生存概率结果。
61.图5所示为本公开一实施例提供的生存分析模型进行生存分析的流程示意图。如图5所示，在本公开的一实施例中生存分析模型，进行生存分析的过程包括如下步骤。
62.步骤s510，输入用户样本数据，将每个样本数据按照用户为单位，随机分成n个不同的小样本数据
63.示例性地，将输入的患者样本数据，以患者为单位，随机分成batch0，batch1，...，batchk，...，batchn，n个不同的batch样本数据。
64.步骤s520，对每个小样本内部的数据按照生存时间降序排序。
65.示例性地，将上述每个batch样本内部按照生存时间降序排序。
66.步骤s530，将每个小样本中图像信息依次经过深度卷积神经网络中，得到对应不同模态的特征向量。
67.示例性地，将上述每个batch样本中图像信息依次经过深度卷积神经网络中，得到对应的特征向量f0、f1、f2、...、fn，特征向量f0对应模态0的影像，特征向量f1对应模态1的影像，以此类推，特征向量fn对应模态n的影像。
68.步骤s540，将获得的每个小样本不同模态的特征向量，输入lstm网络模块，对多个模态的特征向量进行融合，获得图像特征向量。
69.示例性地，，将获得的每个batch样本不同模态的特征向量f0、f1、f2、...、fn，输入lstm网络模块，对f0、f1、f2、...、fn，n个特征向量进行融合，获得图像特征向量f。
70.步骤s550，将每个小样本中临床信息数据经过多层感知机编码器中，得到对应的临床信息特征向量。
71.示例性地，处理图像特征的同时，对临床信息数据进行处理，将与上述图像数据对应的同一batch样本的临床信息输入到多层感知机编码器中处理，得到每个batch样本的临床信息特征向量f’。
72.步骤s560，利用同一小样本数据，构建cox损失函数进行模型监督学习。
73.示例性地，提取特征向量的同时利用同一batch样本数据，构建cox损失函数进行模型监督学习。
74.步骤s570，对图像特征向量和临床信息特征向量进行拼接得到代表该样本的特征向量，经过cox全连接层输出风险评分。
75.示例性地，对上述获得的图像特征向量f与临床信息特征向量进行拼接，获得拼接向量，拼接向量经过cox全连接层输出风险评分。
76.图6所示为本公开一实施例提供的基于目标用户的m套初始影像序列，生成m套感兴趣区域影像序列流程示意图。如图6所示，基于目标用户的m套初始影像序列，生成m套感兴趣区域影像序列的具体步骤如下。
77.步骤s610，对目标用户的m套初始影像序列进行感兴趣区域标定，得到m套初始影像序列各自对应的感兴趣区域初始矩形框。
78.示例性地，对目标用户的m套初始影像序列进行感兴趣区域标定，采用矩形框勾画出刚刚包裹感兴趣区域，得到m套初始影像序列各自对应的感兴趣区域初始矩形框
79.步骤s620，针对每个感兴趣区域初始矩形框，将感兴趣区域初始矩形框的每条边向远离感兴趣区域中心的方向扩大至少一个单位像素距离，得到感兴趣区域初始矩形框对应的感兴趣区域扩展矩形框。
80.示例性地，针对每个感兴趣区域初始矩形框，也就是刚刚包裹感兴趣区域的矩形框，矩形框的每条边向远离感兴趣区域中心的方向扩大一个单位像素的距离，得到感兴趣区域初始框对应的扩展矩形框。
81.步骤s630，基于m套初始影像序列各自对应的感兴趣区域扩展矩形框，分别分割m套初始影像序列，得到m套感兴趣区域影像序列。
82.示例性地，基于m套初始影像序列各自对应的感兴趣区域扩展矩形框，得到m套感兴趣区域影像序列，即，可以得到包含肿瘤全部边界的影像序列。
83.利用选用扩展矩形框对影像序列进行处理，能够将肿瘤边界完全包含，减少现在技术通过人工勾画区域存在不一致的情况。并根据临床知识，充分考虑到肿瘤的类型与肿瘤所处的微环境有关，提高了生存分析模型算法的精度和效能。因此，本公开实施例能够更高精度地获得目标用户的生存概率结果。
84.图7所示为本公开另一实施例提供的风险评估方法流程示意图。在图2所示实施例基础上延伸出图6所示实施例，下面着重叙述图7所示实施例与图2所示实施例不同之处，相同之处不在赘述。
85.如图7所示，本公开另一实施例中，在利用生存分析模型，基于m套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据之前，还包括如下步骤。
86.步骤s211，基于p套初始影像样本序列，生成p套感兴趣区域影像样本序列。
87.步骤s212，基于p套感兴趣区域影像样本序列和n个样本用户各自的临床信息数据，以样本用户为单位，生成n个样本用户各自对应的样本数据集。
88.示例性地，基于p套感兴趣区域影像样本序列和n个样本用户各自的临床信息数据，以样本用户为单位，将p套感兴趣区域影像样本序列和n个样本用户的临床信息数据对照，生成n个样本用户各自对应的样本数据集合。
89.步骤s213，针对每个样本数据集，利用待训练模型生成样本数据集对应的图像特征向量和临床信息特征向量，并基于样本数据集对应的图像特征向量和临床信息特征向量调整待训练模型的模型参数，直至待训练模型达到预设收敛条件，得到生存分析模型。
90.示例性地，训练模型的模型参数选取深度卷积神经网络编码器中深度卷积神经网络、多层感知机和cox全连接层的神经元权重和偏差，神经元权重和偏差共同组成训练模型
的模型参数。针对参数集通过计算，预设收敛条件阈值为0.9，低于数值0.9则继续训练，直至达到预设收敛条件，得到生存分析模型。
91.通过训练并达到预设收敛条件的生存分析模型是最优的生存分析模型，效果最佳，能够提高生存分析模型的精度，从而能提高生存风险数据的精度，更利于对目标用户的诊断和后续的治疗，提高预后水平。
92.图8所示为本公开另一实施例提供的风险评估方法流程示意图，在图7所示实施例基础上延伸出图8所示实施例，下面着重叙述图8所示实施例与图7所示实施例不同之处，相同之处不在赘述。
93.如图8所示，本公开另一实施例中，在生成n个样本用户各自对应的样本数据集之后，还包括如下步骤。
94.步骤s2131，对应的样本数据集进行数据划分，得到训练数据集和验证数据集，其中，训练数据集和验证数据集的数量比例为3:1。
95.示例性地，将对应的样本数据集合并按照3:1的比例进行随机划分，得到训练数据集和验证数据集，即，样本数据集随机划分，训练集数据包含的样本数据集数量与验证集包含的样本数据集数量比例为3:1。
96.步骤s2132，针对每个训练数据集，利用待训练模型生成训练数据集对应的图像特征向量和临床信息特征向量，并基于训练数据集对应的图像特征向量和临床信息特征向量调整待训练模型的模型参数。
97.示例性地，针对每个样本用户各自对应的样本数据集，利用待训练模型生成训练集中每个样本客户对应的图像特征向量和临床信息特征向量。根据训练集获得的拼接特征向量，获得训练模型的模型参数，保留对待训练模型的模型参数，根据预设条件进行调整。
98.步骤s2133，利用验证数据集，采用c-index对调整参数后的待训练模型进行评估，得到评估结果；若评估结果符合预设收敛条件，得到生存分析模型。
99.示例性地，根据验证集数据集，采用c-index对待训练模型的参数进行评估，根据计算出的对应的c-index值，对待训练的模型进行评估，得到的c-index值低于0.90则不符合预设的收敛条件，则继续进行模型的迭代训练，最终获得c-index值高于0.90的高准确度的最优模型，其中c-index在0.50至1.00之间，以c-index在0.50至0.70之间为较低准确度的范围，以c-index在0.71至0.90之间为中等准确度的范围，以c-index高于0.91至1.00之间为高准确度的范围。
100.通过c-index来进行迭代优化待训练模型，选取了较高的阈值，能够提高生存分析模型的精度，进一步提高了风险评估方法的准确度，获得输出的生存风险数据更加准确，能够提高胶质瘤患者的预后水平，能够为诊断病情提供可靠的依据。
101.上文结合图2至图8，详细描述了本公开的方法实施例，下面结合图9和图10，详细描述本公开的装置实施例。此外，应理解，方法实施例的描述与装置实施例的描述相互对应，因此，未详细描述的部分可以参见前面方法实施例。
102.图9所示为本公开一实施例提供的风险评估装置的结构示意图。如图9所示，本公开实施例提供的风险评估装置包括生成模块910、确定模块920。
103.具体地，生成模块910用于基于目标用户的m套初始影像序列，生成m套感兴趣区域影像序列，其中，m套初始影像序列各自的模态互不相同，m为大于或等于2的正整数。确定模
块920，用于利用生存分析模型，基于m套感兴趣区域影像序列和目标用户的临床信息数据，确定目标用户的生存风险数据，其中，生存分析模型基于深度学习框架构建，通过拼接图像特征向量与临床信息特征向量，输出生存风险数据。
104.在一些实施例中，生成模块910还用于，对目标用户的m套初始影像序列进行感兴趣区域标定，得到m套初始影像序列各自对应的感兴趣区域初始矩形框；针对每个感兴趣区域初始矩形框，将感兴趣区域初始矩形框的每条边向远离感兴趣区域中心的方向扩大至少一个单位像素距离，得到感兴趣区域初始矩形框对应的感兴趣区域扩展矩形框；基于m套初始影像序列各自对应的感兴趣区域扩展矩形框，分别分割m套初始影像序列，得到m套感兴趣区域影像序列。
105.在一些实施例中，确定模块920还用于，利用生存分析模型，对m套感兴趣区域影像序列进行特征提取，得到图像特征向量；利用生存分析模型，对临床信息数据进行特征提取，得到临床信息特征向量；拼接图像特征向量和临床信息特征向量，得到能够表征目标用户的拼接向量；基于拼接向量，得到目标用户的生存风险数据。
106.在一些实施例中，确定模块920还用于，利用生存分析模型，对m套感兴趣区域影像序列进行特征提取，得到图像特征向量，包括：利用深度卷积神经网络编码器，对m套感兴趣区域影像序列分别进行特征提取，得到m个初始特征向量；利用长短期记忆网络模块，对m个初始特征向量进行融合，得到图像特征向量；其中，利用生存分析模型，对临床信息数据进行特征提取，得到临床信息特征向量，包括：利用多层感知机编码器对临床信息数据进行特征提取，得到临床信息特征向量；其中，基于拼接向量，得到目标用户的生存风险数据，包括：利用cox全连接层处理拼接向量，得到目标用户的生存风险数据。
107.在一些实施例中，确定模块920还用于，基于p套初始影像样本序列，生成p套感兴趣区域影像样本序列，其中，p套感兴趣区域影像样本序列对应n个样本用户，n为小于p的正整数，p为大于或等于2的正整数；基于p套感兴趣区域影像样本序列和n个样本用户各自的临床信息数据，以样本用户为单位，生成n个样本用户各自对应的样本数据集，其中，样本数据集包含的感兴趣区域影像样本序列以生存时间降序的顺序排列；针对每个样本数据集，利用待训练模型生成样本数据集对应的图像特征向量和临床信息特征向量，并基于样本数据集对应的图像特征向量和临床信息特征向量调整待训练模型的模型参数，直至待训练模型达到预设收敛条件，得到生存分析模型。
108.在一些实施例中，确定模块920还用于，对n个样本用户各自对应的样本数据集进行数据划分，得到训练数据集和验证数据集，其中，训练数据集和验证数据集的数量比例为3:1；并且，针对每个样本数据集，利用待训练模型生成样本数据集对应的图像特征向量和临床信息特征向量，并基于样本数据集对应的图像特征向量和临床信息特征向量调整待训练模型的模型参数，直至待训练模型达到预设收敛条件，得到生存分析模型，包括：针对每个训练数据集，利用待训练模型生成训练数据集对应的图像特征向量和临床信息特征向量，并基于训练数据集对应的图像特征向量和临床信息特征向量调整待训练模型的模型参数；利用验证数据集，采用c-index对调整参数后的待训练模型进行评估，得到评估结果；若评估结果符合预设收敛条件，得到生存分析模型。
109.图10所示为本公开一实施例提供的电子设备的结构示意图。图10所示的电子设备1000(该电子设备1000具体可以是一种计算机设备)包括存储器1001、处理器1002、通信接
口1003以及总线1004。其中，存储器1001、处理器1002、通信接口1003通过总线1004实现彼此之间的通信连接。
110.存储器1001可以是只读存储器(read only memory，rom)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，ram)。存储器1001可以存储程序，当存储器1001中存储的程序被处理器1002执行时，处理器1002和通信接口1003用于执行本公开实施例的模型构建方法的各个步骤。
111.处理器1002可以采用通用的中央处理器(central processing unit，cpu)，微处理器，应用专用集成电路(application specific integrated circuit，asic)，图形处理器(graphics processing unit，gpu)或者一个或多个集成电路，用于执行相关程序，以实现本公开实施例的模型构建装置中的各个单元所需执行的功能。
112.处理器1002还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本公开的模型构建方法的各个步骤可以通过处理器1002中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1002还可以是通用处理器、数字信号处理器(digital signal processing，dsp)、专用集成电路(asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1001，处理器1002读取存储器1001中的信息，结合其硬件完成本公开实施例的模型构建装置中包括的单元所需执行的功能，或者执行本公开方法实施例的模型构建方法。
113.通信接口1003使用例如但不限于收发器一类的收发装置，来实现电子设备1000与其他设备或通信网络之间的通信。例如，可以通过通信接口1003获取处理功能性核磁共振影像数据信号。
114.总线1004可包括在电子设备1000各个部件(例如，存储器1001、处理器1002、通信接口1003)之间传送信息的通路。
115.应注意，尽管图10所示的电子设备1000仅仅示出了存储器、处理器、通信接口，但是在具体实现过程中，本领域的技术人员应当理解，电子设备1000还包括实现正常运行所必须的其他器件。同时，根据具体需要，本领域的技术人员应当理解，电子设备1000还可包括实现其他附加功能的硬件器件。此外，本领域的技术人员应当理解，电子设备1000也可仅仅包括实现本公开实施例所必须的器件，而不必包括图9中所示的全部器件。
116.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
117.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
118.在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
119.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
120.另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
121.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
122.以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。