一种抗血管内皮生长因子VEGF疗效预测方法、装置、设备和介质与流程

一种抗血管内皮生长因子vegf疗效预测方法、装置、设备和介质
技术领域
1.本技术涉及医疗科技技术领域，特别是涉及一种抗血管内皮生长因子vegf疗效预测方法、装置、电子设备和计算机可读存储介质。


背景技术：

2.随着全球老龄化问题的日渐加重，湿性老年黄斑变性(age-related macular degeneration,amd)已成为主要的致盲性眼部疾病之一。抗血管内皮生长因子(vascular endothelial growth factor,vegf)眼内注射疗法的诞生给很多amd患者带来希望，但此种疗法费用高昂，治疗过程较痛苦且普遍存在疗效不确定性，使很多患者望而生畏。因此，业界急需一种可靠的疗效预测方法，为预期疗效不明显的患者减少不必要的经济和心理负担，从而为预期疗效好的患者带来积极的鼓励。
3.光学相干层析(optical coherence tomography，oct)是一种常规的眼部检查成像方法，其优点是实时性强、分辨率高、无接触且成像深度广，可对眼底结构提取出丰富的横断面信息。通常地，米字型扫描或平扫得到的多张图像可以带来更全面参考，然而由于操作难度高、患者配合度较低，扫描序列图像往往会严重缺失，因此，基于单张oct的药物疗效预测将更有应用价值。
4.相关技术中，基于单张oct图像的抗vegf疗效预测主要是基于湿性amd相关眼底结构分割、病灶分割(积液、高反点等)提取生物指标，加入分类器训练而得疗效分类网络，其缺点一是标注难度大、强度高，另外是基于分割来做分类容易带来累积误差。


技术实现要素：

5.本技术实施例的主要目的在于提出一种抗血管内皮生长因子vegf疗效预测方法、装置、电子设备和计算机可读存储介质，旨在提高基于单张oct图像的抗vegf疗效预测的准确性。
6.为实现上述目的，本技术实施例的第一方面提出了一种抗血管内皮生长因子vegf疗效预测方法，所述方法包括：获取抗vegf治疗前oct图像；将抗vegf治疗前oct图像输入至已完成训练的抗vegf疗效预测模型，其中，所述抗vegf疗效预测模型包括形变场预测子模型、抗vegf治疗后oct图像预测子模型和疗效预测子模型；由所述形变场预测子模型基于所述抗vegf治疗前oct图像，输出对应的第一预测形变场；由所述抗vegf治疗后oct图像预测子模型基于所述抗vegf治疗前oct图像、所述第一预测形变场，输出对应的第一抗vegf治疗后预测oct图像；由所述疗效预测子模型基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，输出第一抗vegf疗效预测结果。
7.根据本技术一些实施例提供的抗血管内皮生长因子vegf疗效预测方法，所述抗vegf疗效预测模型中的形变场预测子模型的训练过程包括：获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括对应的抗vegf治疗前训练样本oct图像和
抗vegf治疗后训练样本oct图像；针对每个训练样本，根据对应的所述抗vegf治疗前训练样本oct图像和所述抗vegf治疗后训练样本oct图像，确定所述训练样本对应的第一形变场；基于各个训练样本的所述抗vegf治疗前训练样本oct图像和所述第一形变场，对初始的形变场预测子模型进行训练。
8.根据本技术一些实施例提供的抗血管内皮生长因子vegf疗效预测方法，所述抗vegf疗效预测模型中的抗vegf治疗后oct图像预测子模型的训练过程包括：由所述形变场预测子模型输出各个所述抗vegf治疗前训练样本oct图像对应的第二预测形变场；基于各个训练样本对应的所述抗vegf治疗前训练样本oct图像、所述第二预测形变场和所述抗vegf治疗后训练样本oct图像，对初始的抗vegf治疗后oct图像预测子模型进行训练。
9.根据本技术一些实施例提供的抗血管内皮生长因子vegf疗效预测方法，每个所述训练样本还包括：与抗vegf治疗前训练样本oct图像对应的训练样本标签，所述训练样本标签为用于指示治疗有效或者治疗无效的疗效结果标签；对应的，所述抗vegf疗效预测模型中的疗效预测子模型的训练过程包括：由所述抗vegf治疗后oct图像预测子模型输出各个所述抗vegf治疗前训练样本oct图像对应的第二抗vegf治疗后预测oct图像；基于各个训练样本对应的所述抗vegf治疗前训练样本oct图像、所述第二抗vegf治疗后预测oct图像和所述训练样本标签，对初始的疗效预测子模型进行训练。
10.根据本技术一些实施例提供的抗血管内皮生长因子vegf疗效预测方法，在所述对初始的疗效预测子模型进行训练之后，所述方法还包括：获取测试样本集，所述测试样本集包括多个测试样本，每个所述测试样本包括对应的抗vegf治疗前测试样本oct图像和测试样本标签；将各个测试样本对应的抗vegf治疗前测试样本oct图像输入至所述抗vegf疗效预测模型，得到各个测试样本对应的第二抗vegf疗效预测结果；基于各个所述测试样本对应的测试样本标签和所述第二抗vegf疗效预测结果，确定当前的所述抗vegf疗效预测模型是否满足训练结束条件；在满足训练结束条件的情况下，结束所述抗vegf疗效预测模型的训练过程，得到已完成训练的抗vegf疗效预测模型；在未满足训练结束条件的情况下，调整所述抗vegf疗效预测模型中各个子模型的模型参数，并基于所述训练样本集对所述抗vegf疗效预测模型中各个子模型进行再训练。
11.根据本技术一些实施例提供的抗血管内皮生长因子vegf疗效预测方法，所述基于各个所述测试样本对应的测试样本标签和所述第二抗vegf疗效预测结果，确定当前的所述抗vegf疗效预测模型是否满足训练结束条件，包括：对于每个所述测试样本，确定对应的测试样本标签和所述第二抗vegf疗效预测结果是否匹配；根据各个所述测试样本对应的匹配结果，确定预测成功率；当所述预测成功率大于或者等于预设的预测成功率阈值，确定当前的所述抗vegf疗效预测模型满足训练结束条件；当所述预测成功率小于预设的预测成功率阈值，确定当前的所述抗vegf疗效预测模型未满足训练结束条件。
12.根据本技术一些实施例提供的抗血管内皮生长因子vegf疗效预测方法，所述由所述疗效预测子模型基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，输出第一抗vegf疗效预测结果，包括：由所述疗效预测子模型基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，确定抗vegf治疗预测概率；当所述抗vegf治疗预测概率大于或者等于预设概率阈值，输出第一抗vegf疗效预测结果为治疗有效；当所述抗vegf治疗预测概率小于所述预设概率阈值，输出第一抗vegf疗效预测结果为治疗无效。
13.为实现上述目的，本技术实施例的第二方面提出了一种抗血管内皮生长因子vegf疗效预测装置，所述装置包括：获取模块，用于获取抗vegf治疗前oct图像；输入模块，用于将抗vegf治疗前oct图像输入至已完成训练的抗vegf疗效预测模型，其中，所述抗vegf疗效预测模型包括形变场预测子模型、抗vegf治疗后oct图像预测子模型和疗效预测子模型；第一预测处理模块，用于由所述形变场预测子模型基于所述抗vegf治疗前oct图像，输出对应的第一预测形变场；第二预测处理模块，用于由所述抗vegf治疗后oct图像预测子模型基于所述抗vegf治疗前oct图像、所述第一预测形变场，输出对应的第一抗vegf治疗后预测oct图像；第三预测处理模块，用于由所述疗效预测子模型基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，输出第一抗vegf疗效预测结果。
14.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上第一方面任一项实施例所述的抗血管内皮生长因子vegf疗效预测方法。
15.为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面任一项实施例所述的抗血管内皮生长因子vegf疗效预测方法。
16.本技术实施例提出了一种抗血管内皮生长因子vegf疗效预测方法、装置、电子设备和计算机可读存储介质，其通过获取单张抗vegf治疗前oct图像，并将该抗vegf治疗前oct图像输入至已完成训练的抗vegf疗效预测模型，以通过该抗vegf疗效预测模型输出第一抗vegf疗效预测结果。其中，所述抗vegf疗效预测模型包括形变场预测子模型、抗vegf治疗后oct图像预测子模型和疗效预测子模型；所述形变场预测子模型用于基于所述抗vegf治疗前oct图像，输出对应的第一预测形变场；所述抗vegf治疗后oct图像预测子模型用于基于所述抗vegf治疗前oct图像、所述第一预测形变场，输出对应的第一抗vegf治疗后预测oct图像；所述疗效预测子模型用于基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，输出第一抗vegf疗效预测结果。本技术实施例提供的抗vegf疗效预测模型，能够基于输入的抗vegf治疗前oct图像做疗效判断，应用场景更为广泛；本技术提供的模型为端对端结构，输入治疗前oct图像后即可直接输出预测效果，且不需要基于分割来做预测，降低标注成本的同时，避免了标注和分割网络带来的累积误差；本技术提供的模型通过预测治疗前后的形变场，以形变场作为敏感结构辅助疗效预测，更充分地发挥oct的优势，通过对治疗后眼底拓扑结构变化的预测，更有针对性地引导模型做判断，预测效果往往更准确。
附图说明
17.图1是本技术实施例提供的一种抗血管内皮生长因子vegf疗效预测方法的流程示意图；
18.图2是本技术实施例提供的抗vegf疗效预测模型的结构示意图；
19.图3是图1中的步骤s150的子步骤流程示意图；
20.图4是本技术实施例提供的抗vegf疗效预测模型中的形变场预测子模型的训练流
程示意图；
21.图5是本技术实施例提供的抗vegf疗效预测模型中的抗vegf治疗后oct图像预测子模型的训练流程示意图；
22.图6是本技术实施例提供的抗vegf疗效预测模型中的疗效预测子模型的训练流程示意图；
23.图7是本技术实施例提供的一种抗血管内皮生长因子vegf疗效预测装置的结构示意图。
具体实施方式
24.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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用以解释本技术，并不用于限定本技术。
25.需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
26.首先，对本技术中涉及的若干名词进行解析：
27.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并并使用知识获得最佳结果的理论、方法、技术及应用系统。
28.人工神经网络(artificial neural networks，简写为anns)：也简称为神经网络(nns)或称作连接模型(connection model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
29.湿性老年黄斑变性(age-related macular deg eneration,amd):amd是一-种主要的致盲性眼病,为黄斑区结构的衰老性改变。主要表现为视网膜色素上皮细胞对视细胞外节盘膜吞噬消化能力下降,结果使未被完全消化的盘膜残余小体潴留于基底部细胞原浆中,并向细胞外排出,沉积于bruch膜,形成玻璃膜疣。
30.光学相干断层扫描(optical coherence tomography,oct)：oct是一种使用低相干光来捕获生物组织的高分辨率信息的非侵入性成像技术，已广泛用于医学领域，尤其是眼科领域的视网膜成像。相对于眼底照相机、超声波等传统医学影像技术而言，oct图像能够获得更多的眼睛生理组织的三维结构信息，从而为医生提供更多的辅助信息。
31.血管内皮生长因子(vascular endothelial growth factor，vegf)：vegf又称血管通透因子(vascular permeability factor，vpf)，是一种高度特异性的促血管内皮细胞生长因子，具有促进血管通透性增加、细胞外基质变性、血管内皮细胞迁移、增殖和血管形成等作用。抗血管内皮生长因子vegf眼内注射是对湿性amd的一种有效疗法，但是抗vegf注
射疗法的费用高昂，并且有严格的适应征，对于不同的患者疗效不一。
32.抗vegf眼内注射疗法的诞生给很多amd患者带来希望，但此种疗法费用高昂，治疗过程较痛苦且普遍存在疗效不确定性，使很多患者望而生畏。因此，业界急需一种可靠的疗效预测方法，为预期疗效不明显的患者减少不必要的经济和心理负担，从而为预期疗效好的患者带来积极的鼓励。相关技术中，抗vegf疗效预测方法的不足之处在于：
33.(1)基于序列图像的疗效预测：基于米字型扫描或平扫得到图像序列预测，往往对序列完整度要求较高，而在真实世界中，由于仪器的操作难度高、患者配合度往往较差，容易出现序列图像高度缺失，因此基于单张oct图像，应用场景更为广泛。
34.(2)基于分割的疗效预测：提取湿性amd相关眼底结构和病灶(积液、高反点等)进行分割训练，将分割所得结果送入分类器预测疗效。缺点是标注成本高、标注难度大，而且two-stage的操作容易累积标注误差和网络分割误差，使得预测结果不准确。
35.本技术实施例的主要目的在于提出一种抗vegf疗效预测方法、装置、电子设备和计算机可读存储介质，旨在提高基于单张oct进行抗vegf疗效预测的准确性。
36.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
37.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
38.本技术实施例提供的抗vegf疗效预测方法，涉及人工智能及数字医疗技术领域。本技术实施例提供的抗vegf疗效预测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现抗vegf疗效预测方法的应用等，但并不局限于以上形式。
39.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
40.请参见图1，图1示出了本技术实施例的提出的一种抗血管内皮生长因子vegf疗效预测方法的流程示意图。如图1所示，本技术实施例提供的抗vegf疗效预测方法包括但不限
于如下步骤：
41.步骤s110，获取抗vegf治疗前oct图像。
42.可以理解的是，本技术实施例通过获取患者在进行抗vegf治疗前的一张oct图像，并基于该张oct图像进行抗vegf疗效的预测。该张oct图像可通过oct设备对患者的眼部进行米字型扫描或平扫得到。该张oct图像包括患者的视网膜组织信息。
43.可选的，在获取了患者的初始oct图像后，还可以获取oct图像中针对黄斑区扫描到的图像部分，其中，黄斑区位于视网膜中央，黄斑区是人眼视网膜中央视觉细胞最集中的部位。通过提取针对黄斑区扫描到的区域，可以去除外围的不含有效信息的区域，从而在之后的计算过程中节省计算时间。
44.可选的，在获取到针对黄斑区采集到的oct图像后，还可以对该张oct图像进行预处理，具体包括：对oct图像进行图像校正，校正后进行对比度增强处理。其中，图像校正包括图像倾斜校正和/或图像亮度校正。
45.步骤s120，将抗vegf治疗前oct图像输入至已完成训练的抗vegf疗效预测模型，其中，所述抗vegf疗效预测模型包括形变场预测子模型、抗vegf治疗后oct图像预测子模型和疗效预测子模型。
46.本技术实施例，通过训练好的抗vegf疗效预测模型针对输入的抗vegf治疗前oct图像进行疗效预测。
47.请参见图2，图2示出了本技术实施例提供的抗vegf疗效预测模型的结构示意图。该抗vegf疗效预测模型包括形变场预测子模型、抗vegf治疗后oct图像预测子模型和疗效预测子模型几部分。所述形变场预测子模型用于基于所述抗vegf治疗前oct图像，输出对应的第一预测形变场；所述抗vegf治疗后oct图像预测子模型用于基于所述抗vegf治疗前oct图像、所述第一预测形变场，输出对应的第一抗vegf治疗后预测oct图像；所述疗效预测子模型用于基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，输出第一抗vegf疗效预测结果。应了解，本技术实施例提供的抗vegf疗效预测模型的训练方法将在下文中详细描述。
48.步骤s130，由所述形变场预测子模型基于所述抗vegf治疗前oct图像，输出对应的第一预测形变场。
49.可以理解的是，本技术实施例中描述的形变场(deformation field)指患者在接受抗vegf治疗后的oct图像相对接受抗vegf治疗前的oct图像的形变场。
50.而本技术在实施抗vegf疗效预测时，通过抗vegf疗效预测模型中的形变场预测子模型针对患者的抗vegf治疗前oct图像进行形变场预测，得到第一预测形变场，以在后续步骤中基于第一预测形变场预测患者的抗vegf治疗后oct图像。
51.可以理解的是，抗vegf治疗前、后图像之间的形变场可以作为图像中的敏感结构区域来辅助疗效预测，从而提高疗效预测的准确性。
52.步骤s140，由所述抗vegf治疗后oct图像预测子模型基于所述抗vegf治疗前oct图像、所述第一预测形变场，输出对应的第一抗vegf治疗后预测oct图像。
53.可以理解的是，治疗前图像利用形变场通过空间变换后可以生成治疗后的图像。因此，在获取到第一预测形变场之后，即能够将抗vegf治疗前oct图像作为基准图像，进而根据第一预测形变场，对基准图像进行空间变换处理，生成形变后的第一抗vegf治疗后预
测oct图像。
54.具体的，本技术实施例将第一预测形变场和抗vegf治疗前oct图像输入到抗vegf治疗后oct图像预测子模型之中，通过抗vegf治疗后oct图像预测子模型输出对应的第一抗vegf治疗后预测oct图像。
55.步骤s150，由所述疗效预测子模型基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，输出第一抗vegf疗效预测结果。
56.可以理解的是，在获取到患者的第一抗vegf治疗后预测oct图像之后，即可通过对比患者的所述抗vegf治疗前oct图像和第一抗vegf治疗后预测oct图像，形成对治疗后眼底结构拓扑结构变化的预判，从而对患者的抗vegf疗效进行预测。
57.具体的，本技术实施例中，将所述第一抗vegf治疗后预测oct图像和抗vegf治疗前oct图像输入到所述疗效预测子模型之中，通过所述疗效预测子模型输出对应的第一抗vegf疗效预测结果。这里，第一抗vegf疗效预测结果可以为治疗有效和治疗无效中的任意一个。
58.所述疗效预测子模型具体可以是分类器，可采用inception、resnet或efficient-net等，用于将输入图像前向编码，输出“治疗有效”或“治疗无效”两种分类。
59.示例性的，请参见图3，所述由所述疗效预测子模型基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，输出第一抗vegf疗效预测结果，具体可以包括如下步骤：
60.步骤s151，由所述疗效预测子模型基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，确定抗vegf治疗预测概率；
61.步骤s152，当所述抗vegf治疗预测概率大于或者等于预设概率阈值，输出第一抗vegf疗效预测结果为治疗有效；
62.步骤s153，当所述抗vegf治疗预测概率小于所述预设概率阈值，输出第一抗vegf疗效预测结果为治疗无效。
63.本技术实施例的方案，通过获取单张抗vegf治疗前oct图像，并将该抗vegf治疗前oct图像输入至已完成训练的抗vegf疗效预测模型，以通过该抗vegf疗效预测模型输出第一抗vegf疗效预测结果。其中，所述抗vegf疗效预测模型包括形变场预测子模型、抗vegf治疗后oct图像预测子模型和疗效预测子模型；所述形变场预测子模型用于基于所述抗vegf治疗前oct图像，输出对应的第一预测形变场；所述抗vegf治疗后oct图像预测子模型用于基于所述抗vegf治疗前oct图像、所述第一预测形变场，输出对应的第一抗vegf治疗后预测oct图像；所述疗效预测子模型用于基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，输出第一抗vegf疗效预测结果。本技术实施例提供的抗vegf疗效预测模型，能够基于输入的抗vegf治疗前oct图像做疗效判断，应用场景更为广泛；本技术提供的模型为端对端结构，输入治疗前oct图像后即可直接输出预测效果，且不需要基于分割来做预测，降低标注成本的同时，避免了标注和分割网络带来的累积误差；本技术提供的模型通过预测治疗前后的形变场，以形变场作为敏感结构辅助疗效预测，更充分地发挥oct的优势，通过对治疗后眼底拓扑结构变化的预测，更有针对性地引导模型做判断，预测效果往往更准确。
64.下面将对本技术实施例提供的抗vegf疗效预测模型的训练方法进行详细的阐述。
65.可以理解的是，本技术实施例对抗vegf疗效预测模型的训练，可分为形变场预测子模型训练阶段、抗vegf治疗后oct图像预测子模型训练阶段和疗效预测子模型训练阶段。可选的，还可以包括测试阶段，以对抗vegf疗效预测模型的整体预测效果进行评估。
66.请参见图4，所述抗vegf疗效预测模型中的形变场预测子模型的训练过程包括：
67.步骤s201，获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括对应的抗vegf治疗前训练样本oct图像和抗vegf治疗后训练样本oct图像。
68.可以理解的是，获取的训练样本可以包括多个患者对应的抗vegf治疗前训练样本oct图像和抗vegf治疗后训练样本oct图像。
69.步骤s202，针对每个训练样本，根据对应的所述抗vegf治疗前训练样本oct图像和所述抗vegf治疗后训练样本oct图像，确定所述训练样本对应的第一形变场。
70.可以理解的是，第一形变场指所述抗vegf治疗后训练样本oct图像相对所述抗vegf治疗前训练样本oct图像的形变场。
71.步骤s203，基于各个训练样本的所述抗vegf治疗前训练样本oct图像和所述第一形变场，对初始的形变场预测子模型进行训练。
72.具体的，将各个训练样本中的抗vegf治疗前训练样本oct图像作为输入，所述第一形变场作为期望输出，对形变场预测子模型进行训练。进一步，可以通过形变场预测子模型输出各个抗vegf治疗前训练样本oct图像对应的第三预测形变场，然后根据对应的所述第一形变场和第三预测形变场，确定第一损失函数的值，进而根据第一损失函数的值判断当前形变场预测子模型是否满足训练结束条件，若满足，则结束训练；若不满足，则调整形变场预测子模型的参数，并基于训练样本继续训练形变场预测子模型。这里，第一损失函数可以是交叉熵损失函数。
73.请参见图5，所述抗vegf疗效预测模型中的抗vegf治疗后oct图像预测子模型的训练过程包括：
74.步骤s301，由所述形变场预测子模型输出各个所述抗vegf治疗前训练样本oct图像对应的第二预测形变场。
75.可以理解的是，将各个所述抗vegf治疗前训练样本oct图像输入到经过步骤s201-s203训练的形变场预测子模型，由该形变场预测子模型输出各个所述抗vegf治疗前训练样本oct图像对应的第二预测形变场。
76.步骤s302，基于各个训练样本对应的所述抗vegf治疗前训练样本oct图像、所述第二预测形变场和所述抗vegf治疗后训练样本oct图像，对初始的抗vegf治疗后oct图像预测子模型进行训练。
77.可以理解的是，将各个训练样本对应的所述抗vegf治疗前训练样本oct图像、所述第二预测形变场作为输入，将各个训练样本对应的所述抗vegf治疗后训练样本oct图像作为期望输出，对抗vegf治疗后oct图像预测子模型进行训练。进一步，可以通过抗vegf治疗后oct图像预测子模型输出各个抗vegf治疗前训练样本oct图像对应的第三抗vegf治疗后预测oct图像，然后根据对应的抗vegf治疗后训练样本oct图像和第三抗vegf治疗后预测oct图像，确定第二损失函数的值，进而根据第二损失函数的值判断当前抗vegf治疗后oct图像预测子模型是否满足训练结束条件，若满足，则结束训练；若不满足，则调整抗vegf治疗后oct图像预测子模型的参数，并基于训练样本继续训练抗vegf治疗后oct图像预测子模
型。这里，第二损失函数可以是交叉熵损失函数。
78.可以理解的是，每个所述训练样本还包括：与抗vegf治疗前训练样本oct图像对应的训练样本标签，所述训练样本标签为用于指示治疗有效或者治疗无效的疗效结果标签。
79.对应的，请参见图6，所述抗vegf疗效预测模型中的疗效预测子模型的训练过程包括：
80.步骤s401,由所述抗vegf治疗后oct图像预测子模型输出各个所述抗vegf治疗前训练样本oct图像对应的第二抗vegf治疗后预测oct图像。
81.可以理解的是，通过经过步骤s301-s302训练得到的所述抗vegf治疗后oct图像预测子模型获取各个所述抗vegf治疗前训练样本oct图像对应的第二抗vegf治疗后预测oct图像。
82.步骤s402,基于各个训练样本对应的所述抗vegf治疗前训练样本oct图像、所述第二抗vegf治疗后预测oct图像和所述训练样本标签，对初始的疗效预测子模型进行训练。
83.可以理解的是，将各个训练样本对应的所述抗vegf治疗前训练样本oct图像、所述第二抗vegf治疗后预测oct图像作为输入，将各个训练样本对应的所述训练样本标签作为期望输出，对疗效预测子模型进行训练。进一步，可以通过疗效预测子模型输出各个训练样本对应的预测标签，然后根据对应的训练样本标签和预测标签，确定第三损失函数的值，进而根据第三损失函数的值判断当前疗效预测子模型是否满足训练结束条件，若满足，则结束训练；若不满足，则调整疗效预测子模型的参数，并基于训练样本继续训练疗效预测子模型。这里，第三损失函数可以是交叉熵损失函数。
84.可选的，在所述步骤s402之后，所述训练过程还包括：获取测试样本集，所述测试样本集包括多个测试样本，每个所述测试样本包括对应的抗vegf治疗前测试样本oct图像和测试样本标签；将各个测试样本对应的抗vegf治疗前测试样本oct图像输入至所述抗vegf疗效预测模型，得到各个测试样本对应的第二抗vegf疗效预测结果；基于各个所述测试样本对应的测试样本标签和所述第二抗vegf疗效预测结果，确定当前的所述抗vegf疗效预测模型是否满足训练结束条件；在满足训练结束条件的情况下，结束所述抗vegf疗效预测模型的训练过程，得到已完成训练的抗vegf疗效预测模型；在未满足训练结束条件的情况下，调整所述抗vegf疗效预测模型中各个子模型的模型参数，并基于所述训练样本集对所述抗vegf疗效预测模型中各个子模型进行再训练。
85.本技术实施例通过测试集评估所述抗vegf疗效预测模型整体是否达到期望的训练效果，若是，则结束训练，得到已完成训练的所述抗vegf疗效预测模型；否则，调整所述抗vegf疗效预测模型中各个子模型的模型参数，并基于所述训练样本集对所述抗vegf疗效预测模型中各个子模型进行再训练。
86.具体的，所述基于各个所述测试样本对应的测试样本标签和所述第二抗vegf疗效预测结果，确定当前的所述抗vegf疗效预测模型是否满足训练结束条件，包括：对于每个所述测试样本，确定对应的测试样本标签和所述第二抗vegf疗效预测结果是否匹配；根据各个所述测试样本对应的匹配结果，确定预测成功率；当所述预测成功率大于或者等于预设的预测成功率阈值，确定当前的所述抗vegf疗效预测模型满足训练结束条件；当所述预测成功率小于预设的预测成功率阈值，确定当前的所述抗vegf疗效预测模型未满足训练结束条件。这里，基于当前的所述抗vegf疗效预测模型的预测成功率评估当前的所述抗vegf疗
效预测模型整体是否达到期望的训练效果。
87.根据本技术一些实施例提供的抗血管内皮生长因子vegf疗效预测方法，所述由所述疗效预测子模型基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，输出第一抗vegf疗效预测结果，包括：由所述疗效预测子模型基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，确定抗vegf治疗预测概率；当所述抗vegf治疗预测概率大于或者等于预设概率阈值，输出第一抗vegf疗效预测结果为治疗有效；当所述抗vegf治疗预测概率小于所述预设概率阈值，输出第一抗vegf疗效预测结果为治疗无效。
88.请参见图7，本技术实施例提出了一种抗血管内皮生长因子vegf疗效预测装置，所述装置包括：
89.获取模块，用于获取抗vegf治疗前oct图像；
90.输入模块，用于将抗vegf治疗前oct图像输入至已完成训练的抗vegf疗效预测模型，其中，所述抗vegf疗效预测模型包括形变场预测子模型、抗vegf治疗后oct图像预测子模型和疗效预测子模型；
91.第一预测处理模块，用于由所述形变场预测子模型基于所述抗vegf治疗前oct图像，输出对应的第一预测形变场；
92.第二预测处理模块，用于由所述抗vegf治疗后oct图像预测子模型基于所述抗vegf治疗前oct图像、所述第一预测形变场，输出对应的第一抗vegf治疗后预测oct图像；
93.第三预测处理模块，用于由所述疗效预测子模型基于所述抗vegf治疗前oct图像、所述第一抗vegf治疗后预测oct图像，输出第一抗vegf疗效预测结果。
94.可选的，本技术实施例的抗血管内皮生长因子vegf疗效预测装置，还包括训练模块，所述训练模块包括第一训练单元、第二训练单元和第三训练单元。
95.其中，第一训练单元具体用于：获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括对应的抗vegf治疗前训练样本oct图像和抗vegf治疗后训练样本oct图像；针对每个训练样本，根据对应的所述抗vegf治疗前训练样本oct图像和所述抗vegf治疗后训练样本oct图像，确定所述训练样本对应的第一形变场；基于各个训练样本的所述抗vegf治疗前训练样本oct图像和所述第一形变场，对初始的形变场预测子模型进行训练。
96.第二训练单元具体用于：由所述形变场预测子模型输出各个所述抗vegf治疗前训练样本oct图像对应的第二预测形变场；基于各个训练样本对应的所述抗vegf治疗前训练样本oct图像和所述第二预测形变场，对初始的抗vegf治疗后oct图像预测子模型进行训练。
97.第三训练单元具体用于：与抗vegf治疗前训练样本oct图像对应的训练样本标签，所述训练样本标签为用于指示治疗有效或者治疗无效的疗效结果标签；对应的，所述抗vegf疗效预测模型中的疗效预测子模型的训练过程包括：由所述抗vegf治疗后oct图像预测子模型输出各个所述抗vegf治疗前训练样本oct图像对应的第二抗vegf治疗后预测oct图像；基于各个训练样本对应的所述抗vegf治疗前训练样本oct图像、所述第二抗vegf治疗后预测oct图像和所述训练样本标签，对初始的疗效预测子模型进行训练。
98.可选的，所述训练模块还包括测试单元，所述测试单元具体用于：在所述对初始的疗效预测子模型进行训练之后，获取测试样本集，所述测试样本集包括多个测试样本，每个
所述测试样本包括对应的抗vegf治疗前测试样本oct图像和测试样本标签；将各个测试样本对应的抗vegf治疗前测试样本oct图像输入至所述抗vegf疗效预测模型，得到各个测试样本对应的第二抗vegf疗效预测结果；基于各个所述测试样本对应的测试样本标签和所述第二抗vegf疗效预测结果，确定当前的所述抗vegf疗效预测模型是否满足训练结束条件；在满足训练结束条件的情况下，结束所述抗vegf疗效预测模型的训练过程，得到已完成训练的抗vegf疗效预测模型；在未满足训练结束条件的情况下，调整所述抗vegf疗效预测模型中各个子模型的模型参数，并基于所述训练样本集对所述抗vegf疗效预测模型中各个子模型进行再训练。
99.本技术实施例还提出了一种电子设备，包括：
100.至少一个处理器；
101.以及，与所述至少一个处理器通信连接的存储器；
102.其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项实施例所述的抗血管内皮生长因子vegf疗效预测方法。
103.本技术实施例还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项实施例所述的抗血管内皮生长因子vegf疗效预测方法。
104.上述各实施例可以结合使用，不同实施例之间名称相同的模块可相同可不同。
105.上述对本技术特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
106.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
107.本技术实施例提供的装置、设备、计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、计算机存储介质的有益技术效果。
108.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作
专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
109.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
110.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
111.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
112.本领域内的技术人员应明白，本技术实施例可提供为方法、系统、或计算机程序产品。因此，本技术实施例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，本技术实施例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。
113.本说明书是参照根据本技术实施例的方法、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。
114.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。
115.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。
116.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
117.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
118.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
119.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
120.本技术实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示单独存在a、同时存在a和b、单独存在b的情况。其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
121.本技术实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
122.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
123.以上所述仅为本技术实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。