基于硬膜下血肿分割和迭代预测的慢性硬膜下血肿预后分析方法、装置、处理器及其介质

本发明涉及图像处理，尤其涉及生物信息，具体是指一种基于硬膜下血肿分割和迭代预测的慢性硬膜下血肿预后分析方法、装置、处理器及其计算机可读存储介质。

背景技术：

1、csdh(慢性硬膜下血肿)是最常见的神经外科疾病之一，其发生率随着人口老龄化和相关医学疾病的增加而上升。csdh的典型症状包括头痛、癫痫发作、记忆减退和混乱。患者可能出现言语困难、吞咽困难和行走困难，还可能出现肢体和面部的无力或麻木。csdh通常与头部创伤有关，但也可能与凝血功能障碍、腰穿或其他因素有关。老年人是csdh的主要患者群体，但年轻患者和婴儿也可能罹患此病。相对于ct扫描而言，mri对于确定csdh的大小和内部结构更为敏感，可以观察到新鲜出血、溶血和血红蛋白变化。csdh可以在最弯曲的额叶或枕叶凸面上发生，也可能在双侧额叶和枕叶上对称发生。随着csdh的进展，患者可能表现出截然不同的预后情况。因此在早期对于慢性硬膜下血肿进行量化评估是非常必要的。如今已经有许多基于血肿分割的慢性硬膜下血肿预后分析算法，但他们只在单中心上进行验证，算法缺乏泛化性。此外，这些算法利用提取的相关特征直接预测某一个患者预后指标，而忽视了不同临床指标之间的关联。

技术实现思路

1、本发明的目的是克服了上述现有技术的缺点，提供了一种具有多中心、精确化和层次化的基于硬膜下血肿分割和迭代预测的慢性硬膜下血肿预后分析方法、装置、处理器及其计算机可读存储介质。

2、为了实现上述目的，本发明的基于硬膜下血肿分割和迭代预测的慢性硬膜下血肿预后分析方法、装置、处理器及其计算机可读存储介质如下：

3、该基于硬膜下血肿分割和迭代预测的慢性硬膜下血肿预后分析方法，其主要特点是，所述的方法包括以下步骤：

4、(1)收集患者mri影像，并对其进行偏置场校正和灰度归一化的数据预处理，以便于后续进行标准化分析；

5、(2)针对上述经过预处理后的数据进行基于几何变换、基于强度变换和基于噪声注入的数据增强处理，以供后续作为训练数据用于训练血肿分割模型；

6、(3)构建3d-unet分割框架，将上述获取到的训练数据进行慢性硬膜下血肿分割，并以此输出体素级的预测分割结果；

7、(4)将经过上述处理后的数据按照预设比例随机划分为训练集、验证集和测试集，并在分割网络中结合损失函数进行网络训练；

8、(5)从mri原始数据和对应的分割结果中提取影像学特征，并采用随机森林算法对相应的慢性硬膜下血肿患者的临床指标进行评估预测。

9、较佳地，所述的步骤(1)具体包括以下步骤：

10、(1.1)收集预设数量的mri影像，并采用3d slicer软件标注其中的硬膜下血肿轮廓，从而得到血肿分割标签；

11、(1.2)对收集到的相应的mri影像数据首先使用基于python的simpleitk库进行偏置场矫正来使得mri影像的低频灰度分布均一化；

12、(1.3)再将所述的mri影像数据灰度归一化至0～1之间，并只保留占比0.5％～99.5％之间的灰度，以此完成数据预处理。

13、较佳地，所述的步骤(2)具体包括以下步骤：

14、(2.1)基于几何变换的数据增强：每张原始mri灰度图像有0.5的概率随机沿冠状轴进行翻转，并随机在横断面内旋转，其中旋转角度在0～45°内服从均匀分布，每张mri灰度图像还以0.1的概率进行基于位移网格的弹性变形，从而整体地改变脑结构；

15、(2.2)基于强度变换的数据增强：每张原始mri灰度图像有0.5的概率与0.5～1.5之间的随机浮点数相乘，并将图像的灰度值剪裁到与原始灰度相同范围的方式来扰乱图像的对比度；

16、(2.3)基于噪声注入的数据增强：每张原始mri灰度图像有0.1的概率被添加均值为0，标准差为1的随机高斯噪声；

17、(2.4)所述的血肿分割标签均按照步骤(2.1)至(2.3)进行数据增强的变换处理，并将经过数据增强处理后的灰度图像及其血肿分割标签用于后续训练分割网络。

18、较佳地，所述的步骤(2.1)具体为：

19、对于所述的mri灰度图像的每个维度，其位移网格上的每个点均会生成一个位移值，以此得到位移值数组，将所述的位移值数组与网格上每个点所在位置相应的坐标数组相加，得到位移矩阵，将所述的位移矩阵上的相应坐标在原始mri灰度图像上进行采样，并在非整数的坐标位置进行b样条插值，从而得到经过形变后的图像在各个坐标处的灰度值，以此得到最终形变后的图像。

20、较佳地，所述的步骤(3)具体包括以下步骤：

21、(3.1)将经过数据增强处理后的灰度图像及其血肿分割标签作为训练数据用于训练血肿分割模型；

22、(3.2)构建3d-unet分割框架：由一个收缩路径和一个扩张路径组成，其中，

23、所述的收缩路径由四个编码模块组成，每个编码模块由两个卷积层和一个最大池化层组成，每个卷积层的主要部分为一个3×3×3的三维卷积核；并且

24、在每一个卷积之前均使用分组归一化用于处理内部协方差偏移，并在卷积之后还实现了修正线性单元激活函数，所述的收缩该路径用于逐步从输入的灰度图数据中提取抽象特征；

25、所述的扩张路径由四个上采样模块组成，每个上采样模块首先使用最近邻插值对灰度图像进行上采样，使灰度图像大小变为原来的两倍，再与所述的收缩路径中相对应的灰度图像沿着通道维度进行拼接处理，形成跳跃连接，使其在灰度图像大小不变的前提下合并所述的收缩路径和扩张路径的信息，随后通过两个3×3×3的三维卷积核对灰度图像进行卷积以进一步提取并融合相应图像数据；

26、(3.3)所述的分割网络使用3×3×3的三维卷积核输出体素级的预测结果。

27、较佳地，所述的步骤(4)具体为：

28、将上述步骤获取到数据按照8：1：1的比例随机划分为训练集、验证集和测试集，在训练过程中，将所述的训练集间隔32×32×32距离切割为64×64×64大小输入训练网络中，并只保留至少有一个体素血肿的阳性数据，训练过程所采用的损失函数l如下：

29、l＝lkl+ldice,      (1)

30、其中，lkl为交叉熵损失，定义如下：

31、

32、其中，为某个特定体素x的标签，如果这个体素属于类别c，那么否则x为所有体素的集合，θ为网络中的可训练参数，pc(x；θ)表示某个体素属于类别c的概率；

33、ldice为dice损失，定义如下：

34、

35、上述所有损失函数均通过adam优化器来更新网络参数，学习率和批大小分别设置为0.001和8。

36、较佳地，所述的步骤(5)具体包括以下步骤：

37、(5.1)使用基于python的pyradiomics库来从mri原始数据和对应分割结果中提取影像学特征，具体包括：16个3d形态相关特征、19个一阶特征、24个灰度共生矩阵特征、16个灰度级大小区域矩阵特征、16个灰度游程矩阵特征、5个相邻灰度差矩阵特征和14个灰度依赖矩阵特征；

38、(5.2)将上述特征作为所述的血肿分割模型的输入，经过训练后并以此输出包括oc_mgs，即markwalder grading scale的结果，表示预后；oc_mrs，即modified rankinscale的结果，表示预后；radio_cure，即在终点时的放射学治愈情况；以及surgery，即在终点时是否转为手术治疗的临床指标；

39、(5.3)基于上述影像学特征使用随机森林算法来预测radio_cure，即在终点时是否实现放射学治愈，再将上述影像学特征和radio_cure的结果同时作为输入，再次按照随机森林算法来预测oc_mgs，即markwalder grading scale的结果，不断循环迭代，直到预测出所有指标的结果。

40、该实现基于硬膜下血肿分割和迭代预测的慢性硬膜下血肿预后分析的装置，其主要特点是，所述的装置包括：

41、处理器，被配置成执行计算机可执行指令；

42、存储器，存储一个或多个计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于硬膜下血肿分割和迭代预测的慢性硬膜下血肿预后分析方法的步骤。

43、该实现基于硬膜下血肿分割和迭代预测的慢性硬膜下血肿预后分析的处理器，其主要特点是，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于硬膜下血肿分割和迭代预测的慢性硬膜下血肿预后分析方法的步骤。

44、该计算机可读存储介质，其主要特点是，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述所述的基于硬膜下血肿分割和迭代预测的慢性硬膜下血肿预后分析方法的步骤。

45、采用了本发明的该基于硬膜下血肿分割和迭代预测的慢性硬膜下血肿预后分析方法、装置、处理器及其计算机可读存储介质，首先采用3d-unet作为主体分割框架，设计了一种对多中心不同扫描设备和中心鲁棒的数据增强策略。随后，该算法利用高质量分割结果提取影像学特征，采用随机森林来进行特征选取和预后评估，在此过程中，该算法利用较为简单的预后指标来由易到难地迭代评估其他较为困难的预后指标，以实现更加精确的层次化分析，能够更加全面、充分地应用于临床实际，具有一定的推广价值。