一种基于医学影像的脑血管数据学习方法、系统及介质与流程

本发明涉及影像数据分析领域，更具体的，涉及一种基于医学影像的脑血管数据学习方法、系统及介质。

背景技术：

1、脑出血的诊断与治疗具有一定的复杂性，涉及神经外科、神经内科等多个学科。同时脑出血发病急，病情进展快，应尽早评估病情发展和临床预后，制定治疗方案并采取干预措施，进而改善预后效果，特别是降低致死率。目前随着科技的发展，ct脑血管影像已成为诊断脑出血的重要手段。头部ct检查可以很好地显示出血灶。而通过ct影像学图像测量出脑出血病人的颅内血肿体积对辅助医生诊断和治疗病人具有较高的临床应用价值。而如何快速、精准、便捷的计算脑出血量是各项研究亟需解决的问题。目前临床上针对计算血肿量的方法主要为手动分割法、传统多田公式法和精准多田公式法，但其各有利弊，在不同影像特征下会有不同的准确率，因此，基于人工经验就难以判断适合的计算方法。

技术实现思路

1、本发明克服了现有技术的缺陷，提出了一种基于医学影像的脑血管数据学习方法、系统及介质。

2、本发明第一方面提供了一种基于医学影像的脑血管数据学习方法，包括：

3、获取基于医学影像的脑血管历史图像数据，将所述脑血管历史图像数据进行图像预处理、患者信息关联与脑出血区域标注，形成预处理影像数据；

4、基于多种预设脑出血计算方法，对预处理影像数据进行出血量计算，并得到计算结果，基于kmeans聚类模型，对预处理影像数据进行轮廓、纹理特征提取形成影像特征数据并导入聚类模型进行特征聚类，得到聚类结果；

5、基于聚类结果对历史患者进行分组，形成k个聚类组，基于计算结果与历史诊断治疗信息，分析出每个聚类组中的优选脑出血计算方法，构建基于cnn的特征学习模型，将每个聚类组中的特征数据与优选脑出血计算方法进行关联并导入特征学习模型进行一次训练；

6、构建基于gan的生成模型，将每个聚类组中的特征数据进行数据标准化并作为真实数据导入生成模型进行数据训练与数据生成，形成k组模拟特征数据；

7、将k组模拟特征数据与影像特征数据进行相似性分析与筛选，并导入特征学习模型进行二次训练，并得到训练后的特征学习模型。

8、本方案中，所述获取基于医学影像的脑血管历史图像数据，将所述脑血管历史图像数据进行图像预处理、患者信息关联与脑出血区域标注，形成预处理影像数据，具体为：

9、采集历史病患的的脑血管历史图像数据；

10、将所述脑血管历史图像数据进行灰度化、平滑、图像增强预处理；

11、基于历史病患获取患者信息，将脑血管历史图像数据与患者信息进行关联，对脑血管历史图像数据进行出血区域识别与标注，形成预处理影像数据。

12、本方案中，所述基于多种预设脑出血计算方法，对预处理影像数据进行出血量计算，并得到计算结果，具体为：

13、基于多种预设脑出血计算方法，对预处理影像数据进行出血量计算，所述多种预设脑出血计算方法包括自动分割算法、手动分割法、传统多田公式法和精准多田公式法；

14、所述计算结果包括出血量具体数值与数值范围信息。

15、本方案中，所述基于kmeans聚类模型，对预处理影像数据进行轮廓、纹理特征提取形成影像特征数据并导入聚类模型进行特征聚类，得到聚类结果，具体为：

16、构建基于kmeans的聚类模型；

17、将预处理影像数据进行数据标准化，基于sobel边缘检测算子对预处理影像数据进行轮廓、纹理特征提取，并得到影像特征数据；

18、将影像特征数据作为聚类聚类样品数据导入聚类模型，随机选取k个中心点进行数据聚类，每次聚类过程判断中心点位置是否发生变化；

19、直至k个中心点位置不再发生变化，记录此时聚类结果。

20、本方案中，所述基于聚类结果对历史患者进行分组，形成k个聚类组，基于计算结果与历史诊断治疗信息，分析出每个聚类组中的优选脑出血计算方法，构建基于cnn的特征学习模型，将每个聚类组中的特征数据与优选脑出血计算方法进行关联并导入特征学习模型进行一次训练，之前包括：

21、通过聚类结果，将历史病患进行结果映射分组，形成k个聚类组，每个聚类组包括多个病患信息；

22、获取基于多种预设脑出血计算方法的计算结果，获取历史病患的历史诊断治疗信息；

23、基于历史诊断治疗信息，对计算结果进行最优数值评估，并筛选出每个历史病患的第一预设脑出血计算方法；

24、统计每个聚类组中历史病患的第一预设脑出血计算方法，将频次最高的方法进行标记，得到优选脑出血计算方法。

25、本方案中，所述基于聚类结果对历史患者进行分组，形成k个聚类组，基于计算结果与历史诊断治疗信息，分析出每个聚类组中的优选脑出血计算方法，构建基于cnn的特征学习模型，将每个聚类组中的特征数据与优选脑出血计算方法进行关联并导入特征学习模型进行一次训练，还包括：

26、构建基于cnn的特征学习模型并初始化预设参数与损失函数；

27、将每个聚类组中影像特征数据与优选脑出血计算方法进行数据关联形成训练数据；

28、将训练数据基于预设比例划分测试集与训练集并导入特征学习模型，以影像特征数据作为学习数据，优选脑出血计算方法作为学习结果进行特征学习；

29、通过反向传播算法与损失函数进行迭代训练与模型参数优化，并得到一次训练后的特征学习模型。

30、本方案中，所述构建基于gan的生成模型，将每个聚类组中的特征数据进行数据标准化并作为真实数据导入生成模型进行数据训练与数据生成，形成k组模拟特征数据，具体为：

31、构建gan的生成模型，生成模型包括生成器与判别器；

32、以一个聚类组作为分析单位，将对应影像特征数据进行数据标准化并作为真实数据导生成模型，通过生成器对导入数据数据学习并生成模拟特征数据；

33、将模拟特征数据与预设数据量的真实数据进行整合并导入判别器进行判定，基于判定结果优化模型参数；

34、基于生成器与判别器循环进行对抗训练与参数优化，训练直至判别器与生成器达到纳什平衡；

35、根据每个聚类组中的影像特征数据进行基于生成模型的训练学习，并通过生成模型生成k组模拟特征数据。

36、本方案中，所述将k组模拟特征数据与影像特征数据进行相似性分析与筛选，并导入特征学习模型进行二次训练，并得到训练后的特征学习模型，具体为：

37、将一组模拟特征数据标记为当前模拟特征数据，并获取对应聚类组中影像特征数据作为当前影像特征数据；

38、将当前模拟特征数据进行数据划分，形成多份特征数据；

39、将每份特征数据基于标准欧式距离与当前影像特征数据进行相似度计算，将相似度大于预设值的特征数据进行提取与数据整合，并得到一组优选模拟数据；

40、基于k组模拟特征数据得到k组优选模拟数据，将k组优选模拟数据作为第二训练数据导入特征学习模型进行二次训练，通过反向传播算法与损失函数进行迭代训练与模型参数优化，并得到二次训练后的特征学习模型。

41、本发明第二方面还提供了一种基于医学影像的脑血管数据学习系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于医学影像的脑血管数据学习程序，所述基于医学影像的脑血管数据学习程序被所述处理器执行时实现如下步骤：

42、获取基于医学影像的脑血管历史图像数据，将所述脑血管历史图像数据进行图像预处理、患者信息关联与脑出血区域标注，形成预处理影像数据；

43、基于多种预设脑出血计算方法，对预处理影像数据进行出血量计算，并得到计算结果，基于kmeans聚类模型，对预处理影像数据进行轮廓、纹理特征提取形成影像特征数据并导入聚类模型进行特征聚类，得到聚类结果；

44、基于聚类结果对历史患者进行分组，形成k个聚类组，基于计算结果与历史诊断治疗信息，分析出每个聚类组中的优选脑出血计算方法，构建基于cnn的特征学习模型，将每个聚类组中的特征数据与优选脑出血计算方法进行关联并导入特征学习模型进行一次训练；

45、构建基于gan的生成模型，将每个聚类组中的特征数据进行数据标准化并作为真实数据导入生成模型进行数据训练与数据生成，形成k组模拟特征数据；

46、将k组模拟特征数据与影像特征数据进行相似性分析与筛选，并导入特征学习模型进行二次训练，并得到训练后的特征学习模型。

47、本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于医学影像的脑血管数据学习程序，所述基于医学影像的脑血管数据学习程序被处理器执行时，实现如上述任一项所述的基于医学影像的脑血管数据学习方法的步骤。

48、本发明公开了一种基于医学影像的脑血管数据学习方法、系统及介质。基于多种预设脑出血计算方法，对基于医学影像的预处理影像数据进行出血量计算，并得到计算结果，基于kmeans聚类模型与gan生成模型，对影像数据进行病患分类与影响特征数据的模拟生成，将模拟数据作为训练数据，构建特征学习模型。本发明通过特征学习模型，分析方法与特征之间的关联，能够在基于一定量病患的影像数据中进行有效特征的数据挖掘与优选方法的选取，在数据模拟生成后，有效提高特征识别率，且能够提高后续病患影像数据的特征分析能力，具有一定的前瞻性。