本发明涉及图像识别，尤其涉及一种基于脑实质mri影像的梗塞变化预测方法及系统。
背景技术：
1、脑梗塞是一种常见的脑血管疾病，是导致成人死亡和残疾的主要原因之一。及时、准确地预测脑梗塞的变化趋势和预后情况，对于制定个性化诊疗方案、改善预后至关重要。
2、然而，脑梗塞的发生发展是一个动态、复杂的过程，涉及多种病理生理机制，临床表现和影像学特征具有异质性和多样性，给预测分析带来了挑战，传统的脑梗塞预测方法主要依赖医生的临床经验和定性判断，缺乏客观、量化的评估指标，容易受到主观因素的影响；
3、因此，亟需一种方案解决现有技术中存在的问题。
技术实现思路
1、本发明实施例提供一种基于脑实质mri影像的梗塞变化预测方法及系统，至少能解决现有技术中存在的部分问题。
2、本发明实施例的第一方面，提供一种基于脑实质mri影像的梗塞变化预测方法，包括：
3、获取患者的脑实质mri影像并构建多模态影像集，对于所述多模态影像集中的每个影像，获取元数据信息并根据预设的筛选标准进行筛选，得到第一影像集，对所述第一影像集进行伪影识别，根据伪影识别结果计算每个影像的质量评分，结合预先设置的评分阈值进行筛选，生成第二影像集，对所述第二影像集进行预处理，得到标准影像数据，通过多尺度深度学习对所述标准影像数据进行特征提取，得到脑区分割掩模；
4、将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷积神经网络中，通过密集连接的残差块进行特征提取，结合双路多尺度特征融合算法和渐进式下采样策略得到多模态特征数据，基于所述多模态特征数据构建不同脑区之间的拓扑关系并提取高阶语义特征，得到脑区特征数据，通过特征选择网络对所述脑区特征数据进行选择，得到优质特征数据；
5、基于所述优质特征数据构建时序特征矩阵，结合梗塞预测模型进行时序建模，通过所述梗塞预测模型中的记忆单元为每个时间步分配权重，结合残差连接进行元素级相加生成残差输出，将所述残差输出进行拼接，得到综合时序特征，将所述综合时序特征通过全连接神经网络进行预测，生成梗塞变化预测结果并通过基于随机森林算法的预后预测模型再次预测，结合患者临床资料和危险因素生成预测预后结果，综合所述梗塞变化预测结果和所述预测预后结果，生成综合预测报告。
6、在一种可选的实施方式中，
7、获取患者的脑实质mri影像并构建多模态影像集，对于所述多模态影像集中的每个影像，获取元数据信息并根据预设的筛选标准进行筛选，得到第一影像集，对所述第一影像集进行伪影识别，根据伪影识别结果计算每个影像的质量评分，结合预先设置的评分阈值进行筛选，生成第二影像集，对所述第二影像集进行预处理，得到标准影像数据，通过多尺度深度学习对所述标准影像数据进行特征提取，得到脑区分割掩模包括：
8、获取患者的脑实质mri影像，其中，所述mri影像包括t1加权像，t2加权像，液体衰减反转恢复序列像和扩散加权像，对所述脑实质mri影像进行去标识化处理并构建所述多模态影像集；
9、对于所述多模态影像集中的每个影像，获取当前影像对应的元数据信息，其中，所述元数据信息包括影像尺寸，分辨率和采集参数，根据预先设置的筛选标准对所述多模态影像集中的影像进行筛选，去除不符合所述筛选标准的影像，得到所述第一影像集；
10、对于所述第一影像集中的影像，通过计算连续切片之间的相关系数，结合光流法估计影像序列的运动场去除运动伪影，通过对影像数据进行强度统计分析确定影像中每个像素对应的组织信号强度，结合信号强度阈值识别金属伪影并去除，对影像进行边缘检测并确定信号突变区域和不连续区域，对所述信号突变区域和所述不连续区域进行截断伪影识别，并去除识别到的截断伪影，基于识别到的伪影，结合伪影类型，面积和位置计算每个影像的质量评分，将每个影像对应的质量评分与预先设置的质量评分阈值进行比较，去除质量评分低于所述质量评分阈值的影像，得到所述第二影像集；
11、对所述第二影像集进行预处理，通过基于形态学操作的头部区域分割算法去除非脑组织区域，通过基于互信息的非刚性配准算法进行图像配准，将不同模态的影像配准至标准空间并结合直方图均衡化和非局部均值滤波算法提高对比度和信噪比，得到标准影像数据，通过多尺度卷积神经网络对所述标准影像数据进行特征提取和前向推理，得到脑区分割概率图，通过阈值化操作得到脑区分割掩模。
12、在一种可选的实施方式中，
13、基于识别到的伪影，结合伪影类型，面积和位置计算每个影像的质量评分如下公式所示：
14、
15、其中，qw表示影像的加权质量评分，λj表示第j个重要区域的权重，nj表示第j个重要区域内识别到的伪影数量，wti表示第i个伪影类型的权重系数，ti表示第i个伪影的类型系数，wa表示伪影面积的权重系数，表示第i个伪影面积的非线性变换函数，ai表示伪影区域的面积，a表示当前图像的面积，wd表示伪影位置的权重系数，表示第i个伪影位置的非线性变换函数，di表示伪影区域的中心到影像中心的距离，d表示影像对角线长度的一半。
16、在一种可选的实施方式中，
17、将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷积神经网络中，通过密集连接的残差块进行特征提取，结合双路多尺度特征融合算法和渐进式下采样策略得到多模态特征数据，基于所述多模态特征数据构建不同脑区之间的拓扑关系并提取高阶语义特征，得到脑区特征数据，通过特征选择网络对所述脑区特征数据进行选择，得到优质特征数据包括：
18、将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷积神经网络中，其中，所述三维深度残差卷积神经网络包括多个残差块和过渡层，每个残差块之间通过密集连接机制连接；
19、对于输入的标准影像数据，分别通过两个独立的三维深度残差卷积神经网络提取特征，每个残差块通过两个卷积层进行特征提取，通过恒等映射和跳跃连接对特征进行重用和梯度直传，结合所述密集连接机制拼接所有残差块的输出作为当前残差块的输出，得到跨尺度特征；
20、基于所述跨尺度特征，根据渐进式下采样策略缩小池化窗口和步长，通过超参数设置下采样率并修改缩小速度，通过自适应求和对不同模态间的跨尺度特征进行融合，结合上次样和拼接操作对齐至相同分辨率，得到所述多模态特征数据；
21、基于所述多模态特征数据，通过图卷积神经网络提取高阶语义特征，将脑区作为节点，脑区之间的解剖连接和功能关联作为边构建脑区拓扑图，通过图卷积操作学习脑区节点的特征表示，确定脑区之间的交互信息和依赖关系；
22、将所述脑区特征数据添加至预设的特征选择网络中，基于所述交互信息和所述依赖关系，通过门控注意力机制确定每个脑区特征数据对应的门控权重，基于所述门控权重对所述脑区特征数据进行排序，选择前20％脑区特征数据作为所述优质特征数据并添加至预先构建的优质特征集合中。
23、在一种可选的实施方式中，
24、基于所述多模态特征数据，通过图卷积神经网络提取高阶语义特征如下公式所示：
25、
26、其中，x(l+1)表示第l+1层的节点特征矩阵，σ表示激活函数，k表示当前邻居的阶数，k表示聚合邻居的最高阶数，c表示节点度矩阵，bk表示邻接矩阵b的k次幂，x(l)表示第l层的节点特征矩阵，w(l，k)表示第l层对应于第k阶邻居的权重矩阵。
27、在一种可选的实施方式中，
28、基于所述优质特征数据构建时序特征矩阵，结合梗塞预测模型进行时序建模，通过所述梗塞预测模型中的记忆单元为每个时间步分配权重，结合残差连接进行元素级相加生成残差输出，将所述残差输出进行拼接，得到综合时序特征，将所述综合时序特征通过全连接神经网络进行预测，生成梗塞变化预测结果并通过基于随机森林算法的预后预测模型再次预测，结合患者临床资料和危险因素生成预测预后结果，综合所述梗塞变化预测结果和所述预测预后结果，生成综合预测报告包括：
29、基于所述优质特征数据，对于每个时间步中的特征维度，构建对应的时序特征矩阵，其中，所述时序特征矩阵中的行表示当前时间步的特征向量，列表示当前优质特征数据在不同时间步的取值；
30、将所述时序特征矩阵添加至所述梗塞预测模型中，通过记忆单元确定每个时间步中的遗忘信息，基于所述遗忘信息生成对应的时序输出，根据所述遗忘信息在原优质特征数据中的占比为当前时间步分配对应的遗忘权重，基于所述遗忘权重生成当前遗忘单元的初始输出，结合残差机制将当前记忆单元的输出添加至下一层，对于每一个记忆单元的初始输出，通过逐元素相加生成所述残差输出，所述残差输出为当前时序特征矩阵对应的隐藏状态，将所述残差输出进行拼接，得到所述综合时序特征；
31、将所述综合时序特征输入至全连接神经网络中，将所述全连接神经网络中的全连接权重矩阵与所述综合时序特征进行矩阵乘法，结合预先设置的偏置向量和激活函数确定当前全连接层的输出，重复计算并通过激活层进行输出预测，得到初始梗塞变化预测结果，基于所述初始梗塞变化预测结果，结合预先设置的生成对抗网络确定潜在特征空间，结合生成器网络和判别器网络生成优质合成样本，将所述优质合成样本添加至所述全连接神经网络中并生成对应的合成预测结果并与真实标签对比，根据对比结果动态调整所述全连接神经网络中的超参数并使用所述全连接神经网络对所述综合时序特征进行预测，得到所述梗塞变化预测结果；
32、基于所述梗塞变化预测结果，结合自助采样和随机特征选择生成训练集，通过基于随机森林算法的预后预测模型生成多个决策树，将所述训练集中的元素添加至所述决策树中进行训练，得到所述预后预测模型，将所述梗塞变化预测结果添加至所述预后预测模型中，结合与当前患者的临床资料和危险因素融合的影像学特征进行预测，得到所述预测预后结果，根据所述预测预后结果和所述梗塞变化预测结果，生成综合预测报告。
33、在一种可选的实施方式中，
34、生成器网络和判别器网络对应的损失函数如下公式所示：
35、lg＝-e[log(h(g(z)))]+λ·||g(z)-x||1；
36、其中，lg表示生成器损失值，e表示数学期望，h表示判别器网络，g表示生成器网络，λ表示正则化项权重，x表示随机噪声向量，z表示随机噪声向量，g(z)表示生成器的输出结果；
37、
38、其中，lh表示判别器损失值，μ表示梯度惩罚项权重，表示对随机噪声向量x求梯度，h(x)判别器的输出结果。
39、本发明实施例的第二方面，提供一种基于脑实质mri影像的梗塞变化预测系统，包括：
40、第一单元，用于获取患者的脑实质mri影像并构建多模态影像集，对于所述多模态影像集中的每个影像，获取元数据信息并根据预设的筛选标准进行筛选，得到第一影像集，对所述第一影像集进行伪影识别，根据伪影识别结果计算每个影像的质量评分，结合预先设置的评分阈值进行筛选，生成第二影像集，对所述第二影像集进行预处理，得到标准影像数据，通过多尺度深度学习对所述标准影像数据进行特征提取，得到脑区分割掩模；
41、第二单元，用于将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷积神经网络中，通过密集连接的残差块进行特征提取，结合双路多尺度特征融合算法和渐进式下采样策略得到多模态特征数据，基于所述多模态特征数据构建不同脑区之间的拓扑关系并提取高阶语义特征，得到脑区特征数据，通过特征选择网络对所述脑区特征数据进行选择，得到优质特征数据；
42、第三单元，用于基于所述优质特征数据构建时序特征矩阵，结合梗塞预测模型进行时序建模，通过所述梗塞预测模型中的记忆单元为每个时间步分配权重，结合残差连接进行元素级相加生成残差输出，将所述残差输出进行拼接，得到综合时序特征，将所述综合时序特征通过全连接神经网络进行预测，生成梗塞变化预测结果并通过基于随机森林算法的预后预测模型再次预测，结合患者临床资料和危险因素生成预测预后结果，综合所述梗塞变化预测结果和所述预测预后结果，生成综合预测报告。
43、本发明实施例的第三方面，
44、提供一种电子设备，包括：
45、处理器；
46、用于存储处理器可执行指令的存储器；
47、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
48、本发明实施例的第四方面，
49、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
50、本发明中，通过多模态影像融合、质量控制、预处理等步骤，获得高质量的标准影像数据，并采用多尺度深度学习提取脑区分割特征，结合三维残差网络挖掘多模态特征，构建脑区拓扑关系，选择优质特征，形成端到端的特征工程流程，可以全面、准确地刻画脑梗塞的影像表型，为后续预测奠定了坚实基础，通过记忆单元和残差连接学习脑梗塞的时间依赖关系，挖掘病灶在不同阶段的演变特点，生成综合时序特征，可以描述脑梗塞从急性期到慢性期的动态变化轨迹，提高预测的连续性和一致性，通过随机森林等机器学习算法进行综合建模，可以从多维度分析疾病风险，发现影像-临床关联模式，提高预后预测的准确性，实现影像组学驱动的精准预后评估，通过生成综合预测报告，直观呈现患者的脑梗塞变化趋势、预后预测结果、关键影像学特征等，并以量化指标形式给出辅助诊断意见，可以帮助医生快速了解病情，制定个性化诊疗方案，同时也便于向患者解释病情和预后，提高医患沟通质量，体现了人工智能在医疗领域的应用价值，综上，本发明不仅可以辅助医生进行客观、精准的诊断和预后判断，提高诊疗效率和质量，同时也为脑血管疾病的影像组学研究、人工智能应用等提供了新思路和新方法，具有广阔的应用前景和推广价值。