脑灌注状态分类装置、方法、设备及模型训练装置与流程

1.本技术属于计算机技术领域，尤其涉及脑灌注状态分类装置、方法、设备及模型训练装置。


背景技术：

2.脑灌注成像技术主要用于反映脑组织的血流灌注状态。相关技术中，多采用电子计算机断层扫描(computed tomography，ct)、核磁共振成像(magnetic resonance imaging，mri)等大型设备进行检查，然后根据检查结果进行脑血流及脑功能状态的评估。
3.但是，相关技术中检查设备的操作复杂，而且往往体积较大，难以适应一些特殊场景，例如航天场景、户外急救场景等。因此，有待提出一种新的解决方案。


技术实现要素：

4.有鉴于此，本技术提供一种解决或部分解决上述技术问题的脑灌注状态分类装置、方法、设备及模型训练装置。
5.第一方面，本技术实施例提供一种脑灌注状态分类装置，该装置包括：
6.收发模块，用于接收来自不同数据采集设备的生理特征数据，其中，生理特征数据包括生理指标数据、颈部血流数据、脑部血流数据中的至少一种；
7.处理器，用于提取生理特征数据中的生理特征；将生理特征输入随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征对应的脑灌注状态类型；基于生理特征对应的脑灌注状态类型对脑灌注状态进行分类。
8.第二方面，本技术实施例提供一种脑灌注状态分类方法，方法包括：
9.接收来自不同数据采集设备的生理特征数据，其中，生理特征数据包括生理指标数据、颈部血流数据、脑部血流数据中的至少一种；
10.提取生理特征数据中的生理特征；
11.将生理特征输入随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征对应的脑灌注状态类型；
12.基于生理特征对应的脑灌注状态类型对脑灌注状态进行分类。
13.第三方面，本技术实施例提供一种脑灌注状态分类模型的训练装置，包括：
14.收发模块，用于接收来自不同数据采集设备的生理特征数据样本，其中，生理特征数据样本包括生理指标数据样本、颈部血流数据样本、脑部血流数据样本中的至少一种；
15.处理器，用于提取生理特征数据样本中的生理特征样本；将生理特征样本输入到随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征样本对应的脑灌注状态类型；
16.处理器，还用于基于随机森林模型预测出的脑灌注状态类型、以及预先标注的生理特征数据样本与脑灌注状态类型样本的映射关系，调整随机森林模型，以使调整后的随机森林模型输出的脑灌注状态类型与脑灌注状态类型样本一致。
17.第四方面，本技术实施例提供一种脑灌注状态分类模型的训练方法，包括：
18.接收来自不同数据采集设备的生理特征数据样本，其中，生理特征数据样本包括生理指标数据样本、颈部血流数据样本、脑部血流数据样本中的至少一种；
19.提取生理特征数据样本中的生理特征样本；
20.将生理特征样本输入到随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征样本对应的脑灌注状态类型；
21.基于预测出的脑灌注状态类型、以及预先标注的生理特征数据样本与脑灌注状态类型样本的映射关系，调整随机森林模型，以使调整后的随机森林模型输出的脑灌注状态类型与脑灌注状态类型样本一致。
22.第五方面，本技术实施例提供一种电子设备，包括：存储器及处理器；其中，
23.存储器，用于存储程序；
24.处理器，与存储器耦合，用于执行存储器中存储的程序，以用于：
25.接收来自不同数据采集设备的生理特征数据，其中，生理特征数据包括生理指标数据、颈部血流数据、脑部血流数据中的至少一种；
26.提取生理特征数据中的生理特征；
27.将生理特征输入随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征对应的脑灌注状态类型；
28.基于生理特征对应的脑灌注状态类型对脑灌注状态进行分类。
29.第六方面，本技术实施例提供一种计算机存储介质，用于储存计算机程序，计算机程序使计算机执行时实现如下方法：
30.接收来自不同数据采集设备的生理特征数据，其中，生理特征数据包括生理指标数据、颈部血流数据、脑部血流数据中的至少一种；
31.提取生理特征数据中的生理特征；
32.将生理特征输入随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征对应的脑灌注状态类型；
33.基于生理特征对应的脑灌注状态类型对脑灌注状态进行分类。
34.本技术实施例提供的方案通过收发模块，接收来自不同数据采集设备的生理特征数据，例如生理指标数据、颈部血流数据、脑部血流数据。进而，通过处理器，提取生理特征数据中的生理特征；将提取出的生理特征输入随机森林模型中，以使该随机森林模型中的多个决策树预测出生理特征对应的脑灌注状态类型；基于生理特征对应的脑灌注状态类型对脑灌注状态进行分类。
35.本技术技术方案中，通过将多种生理特征输入到随机森林(random forest，rf)模型，使该随机森林模型中的多个决策树预测出多种生理特征对应的脑灌注状态类型，实现对脑灌注状态的分类，从而，无需使用大型检查设备即可对脑灌注状态进行分类，大大降低脑灌注状态分类的实现难度，拓展脑灌注状态分类的应用场景(例如航天场景、户外急救场景等)。并且，通过随机森林模型还可融合更多生理特征，以更加准确地区分各种脑灌注状态，提高脑血流及脑功能评估结果的准确性，辅助医生完成脑部检查。
附图说明
36.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
37.图1为本技术实施例提供的一种脑灌注状态分类装置的结构示意图；
38.图2为本技术实施例提供的一种脑灌注状态分类方法的流程示意图；
39.图3为本技术实施例提供的一种脑灌注状态分类模型训练装置的结构示意图；
40.图4为本技术实施例提供的一种脑灌注状态分类模型训练方法的流程示意图；
41.图5为本技术实施例提供的电子设备的结构示意图。
具体实施方式
42.在介绍本技术各实施例提供的技术方案之前，先对本文中涉及到专有名词进行简单的介绍。
43.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
44.在本技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
45.应当理解，本文中使用的术语“和/或”仅仅是一种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这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
46.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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
47.首先，需要说明的是，介绍本技术的实施背景。目前，脑灌注成像技术主要用于反映脑组织的血流灌注状态。通过脑灌注成像技术，能够尽可能还原脑血管的实际情况，辅助评估脑血流及脑功能状态。
48.相关技术中，多采用电子计算机断层扫描(ct)、核磁共振成像(mri)等大型设备进行检查，然后根据检查结果进行脑血流及脑功能状态的评估。
49.但是，相关技术中检查设备的操作复杂，需要由专门的技术人员来控制，而且往往体积较大，通常安装在医院等固定场所中，因此，脑灌注成像技术难以适应于一些特殊场景。例如，在航天场景中，由于太空环境中重力发生改变(如超重、失重)，且太空舱内空间有限，因此无法通过相关技术中的大型检查设备对宇航员的脑灌注状态进行检查，导致无法
评估宇航员在太空环境中的脑血流以及脑部功能。再例如，在户外急救场景中，事故地点通常交通不便(地处偏远或附近拥堵)，伤者往往难以及时运送到具有检查设备的医院，因而，急救人员往往无法及时获知伤者的脑灌注状态，影响伤者的救治。
50.因此，有待提出一种能够解决上述至少一个问题的技术方案。
51.本技术实施例提供的技术方案的执行主体可以是一个装置也可以是多个装置。所述装置可以包括但不限于：集成在智能手机、平板电脑、pda(personal digital assistant，个人数字助理)、智能电视、膝上型便携计算机、台式计算机、智能穿戴设备、医疗设备等任意终端设备上的装置。所述装置包括用于接收生理特征数据(如下文介绍的生理指标数据、颈部血流数据、脑部血流数据)的收发模块、以及用于处理上述生理特征数据的处理器。所述装置的处理器可以搭载在上述终端设备中。所述装置的处理器可以与传感器集成在同一设备中，也可以分别集成在不同设备中，本技术实施例并不限定。可选地，所述装置还包括显示模块，用于展示所述装置的处理结果，例如终端设备中的屏幕。
52.实际应用中，所述装置的收发模块可以与不同数据采集设备通信，从而通过通信连接接收这些数据采集设备各自获取到的生理特征数据。其中，不同数据采集设备中集成有不同功能的传感器。
53.例如，集成在超声数据检测设备中的超声传感器，该超声数据检测设备设置于目标评估对象侧。该超声数据检测设备例如实现为集成有超声传感器的颈部检查装置，该颈部检查装置与集成收发模块的装置相连。当然，为适应多种应用场景，该颈部检查装置与集成处理器的装置的连接方式可以是有线连接，也可以是无线连接，例如wifi、5g、4g、蓝牙等。
54.除此之外，收发模块还可与磁共振数据采集设备通信。例如，超导型磁共振扫描仪
55.另一实施例中，收发模块、处理器、以及数据采集设备可以集成在同一系统中，例如收发模块、处理器、以及数据采集设备可以集成在针对某一航天场景的脑灌注状态监测系统中。进而，在脑灌注状态监测系统中直接展示处理结果，例如发出用于表示脑灌注状态分类结果的语音信息、或者显示脑灌注状态分类结果。或者，由该脑灌注状态监测系统将处理结果发送至终端设备，并由终端设备对处理结果进行展示。
56.实际上，所述装置的硬件结构可以根据具体应用场景进行设置，本技术实施例中仅为示例，具体设置并不限定。
57.应当注意的是，无论执行主体实现为哪一种硬件结构，执行主体的核心意图都是：
58.从生理特征数据中提取多种生理特征，从而通过随机森林模型中的多个决策树预测出这些生理特征对应的脑灌注状态类型，实现对脑灌注状态的分类。这样，无需使用大型检查设备即可对脑灌注状态进行分类，大大降低脑灌注状态分类的实现难度，拓展脑灌注状态分类的应用场景(例如航天场景、户外急救场景等)。并且，通过随机森林模型还可融合更多生理特征，以更加准确地区分各种脑灌注状态，提高脑血流及脑功能评估结果的准确性，辅助医生完成脑部检查。
59.下面结合具体实施例介绍技术方案的具体实施方式。
60.如图1为本技术实施例提供的一种脑灌注状态分类装置的结构示意图。
61.从图1中可以看到，所述装置包括如下模块：
62.收发模块101，用于接收来自不同数据采集设备的生理特征数据。
63.处理器102，用于提取生理特征数据中的生理特征；将生理特征输入随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征对应的脑灌注状态类型；基于生理特征对应的脑灌注状态类型对脑灌注状态进行分类。
64.进一步的，该装置还可能包括显示模块，用于输出处理器102的处理结果，如敏感脑区、敏感脑区的脑部磁共振数据以及脑灌注状态分类。
65.可以理解的是，收发模块101与处理器102可以位于同一台设备上，也可以是收发模块101位于本地，而处理器102位于远程服务器。当然，此处描述的两种结构仅为示例，实际应用中可以根据具体应用场景选择用于集成收发模块101与处理器102的硬件结构。
66.首先，收发模块101用于接收来自不同数据采集设备的生理特征数据。在一可选实施例中，收发模块101与数据采集设备通信，从而，通过与数据采集设备的通信连接，接收来自数据采集设备的生理特征数据。
67.可选地，生理特征数据包括但不限于生理指标数据、颈部血流数据、脑部血流数据中的至少一种。
68.本技术实施例中，生理指标数据主要用于反映评估目标的生理指标，比如生理指标数据包括但不限于：评估目标的年龄、性别、心率、体温、血压、血氧饱和度。可选地，这些生理指标数据可以来自于历史评估数据，例如预先录入的年龄、性别，也可以实时检测得到的，例如对评估目标进行检测，以采集心率、体温、血压、血氧饱和度。比如，采用血压计测量血压，采用智能移动设备采集心率、体温、血氧饱和度。当然，另一示例中，上述生理指标数据也可采用同一生理指标数据监测系统获取，该监测系统例如搭载在救护车或者航天载具上。
69.本技术实施例中，颈部血流数据由超声数据采集设备获取。由于流经脑部的血液都要通过颈部输送，因此，颈部血流数据能够在一定程度上反映出脑部血流情况，为脑灌注状态的预测提供基础。
70.实际应用中，颈部血流数据包括但不限于以下任意一种数据或组合：颈部血管血流数据、血管管腔形态变化数据、血管功能数据。可选地，颈部血流数据为连续周期性数据，例如超声传感器基于预设周期采集的多个颈部血流数据。例如，超声传感器依据预设周期连续采集多组颈部血流数据。其中，每一组颈部血流数据中包括多个颈部血流信号，从而由这些信号构成对应的颈部血流序列。
71.实际应用中，收发模块101与集成有超声探头的数据采集设备连接。例如，数据采集设备中集成有基于血管内超声(intravenous ultrasound，ivus)技术实现的超声传感器。或者，也可以集成有多普勒超声探头。
72.本技术实施例中，脑部血流数据包括但不限于脑部磁共振数据。其中，脑部磁共振数据包括但不限于：动脉自旋标记示踪(arterial spin labeling，asl)数据、定量磁敏感成像(quantitative susceptibility imaging，qsm)数据、定量血氧依赖水平(quantitative blood oxygen level dependent，qbold)数据。
73.其中，asl数据是利用asl技术获得的，主要用于反映(被测对象的)脑血流量。如asl序列。其中，asl是无需使用造影剂而获得脑灌注成像的方法，可以从不同角度反映脑组织的血流灌注信息。在asl技术中，会采用饱和脉冲或反转序列在兴趣区的上游对血液中内源性质子进行标记，然后在兴趣区(比如重点观察的脑部区域)采集信号。从而，实现对脑血
流动力学的无创研究。
74.由于asl具有天然的可重复性，在较短时间内重复观察血流灌注变化，因此，可选地，采用asl技术获取多组asl序列作为脑部核共振样本，用于下文随机森林模型的训练。例如，asl平均时间序列样本。
75.其中，qsm数据主要用于评估脑氧代谢参数，如氧摄取分数(oef)。qsm数据是基于梯度回波的一种新型磁共振成像技术，可量化生物组织内磁化率空间分布而成为能定量活体组织铁含量的重要方法。
76.其中，qbold数据主要用于反映(被测对象的)脑部血氧水平。具体地，qbold技术通过测量血流量和血氧合水平的变化，能够有效地反映被测对象在各种状态(如静息状态、负荷状态)下脑部血流和代谢活动等功能性变化，是研究大脑功能连接异常的有效手段。
77.具体地，可以将bold信号与静脉血氧合(yv)和缺氧血容量(dbv)分离，从而得到qbold磁共振图像。实际应用中，qbold磁共振图像，可以提供局部和绝对的体内血氧饱和度测量值，从而根据局部信号的变化，能够反映出各脑区神经细胞的活动程度，达到无创研究大脑活动的目的，为下文脑灌注状态分类提供基础。
78.值得说明的是，上述介绍的各种生理特征数据均可用于作为下文训练随机森林模型的样本数据。样本数据的采集过程参见相关技术中的具体实施方式，此处暂不展开。
79.本技术实施例中的处理器102，是用于对采集到多种生理特征数据进行分析、处理的设备。该处理器102可以为本地处理器102，也可以为远程服务器或服务器集群，还可以是云端服务器中的虚拟处理器102。
80.在通过收发模块101接收到生理特征数据的基础上，处理器102需要利用生理特征数据对脑灌注状态类型进行预测。
81.实际上，脑灌注状态是指脑部血流灌注状态。基于不同应用需求，脑灌注状态可分为多种类型。例如，脑灌注状态按照血流灌注情况分为脑血流量正常、脑血流量轻度偏高、脑血流量中高、脑血流量高、脑血流量轻度偏低、脑血流量中低、脑血流量低。再例如，脑灌注状态可以按照年龄段分为儿童脑灌注状态正常/异常、青年脑灌注状态正常/异常、老年脑灌注状态正常/异常。当然，还可根据性别、身体情况(如是否患有基础病等)等单一评价维度或多个评价维度细分为更多类型。
82.在一可选实施例中，处理器102提取生理特征数据中的生理特征时，具体用于：
83.基于生理指标数据提取对应的年龄、性别、血压、心率、体温、血氧饱和度；基于颈部血流数据提取对应的收缩峰值血流速度、舒张末期血流速度、平均血流速度、阻力指数、搏动指数、收缩/舒张比值；基于asl数据以及qsm数据提取对应的脑部血流动力学参数；以生理指标数据、颈部血流数据、asl数据以及qsm数据中提取出的多种生理特征，作为随机森林模型的输入特征。
84.通过上述步骤提取出的生理特征，用于作为预测脑灌注状态的随机森林模型的输入特征。随机森林模型的具体说明参见下文，此处暂不展开。
85.具体而言，对于任一评估目标，从生理指标数据中提取该评估目标的年龄、性别、血压、心率、体温、血氧饱和度。
86.对于任一评估目标，基于颈部血流数据计算出该评估目标对应的收缩峰值血流速度、舒张末期血流速度、平均血流速度、阻力指数、搏动指数、收缩/舒张比值。实际应用中，
上述评估参数可采用超声频谱图计算得到，具体计算方式可参考临床常用的计算方式。例如，阻力指数ri可以采用如下公式计算，即：ri＝(psv
‑
edv)/psv，其中psv为收缩期峰值颈部血流速度，edv即舒张末期颈部血流速度。
87.对于任一评估目标，基于asl数据、qsm数据、qbold数据计算出该评估目标对应的脑部血流动力学参数。其中，脑部血流动力学参数包括但不限于：脑血流量(cbf)、脑氧代谢参数。例如，利用asl数据计算出脑血流量(cbf)。例如，采用qsm数据和qbold数据可以计算出脑氧代谢参数，例如氧摄取分数(oef)。
88.进而，在提取出的上述生理特征之后，可选地，处理器102以生理指标数据、颈部血流数据、asl数据以及qsm数据中提取出的多种生理特征，作为随机森林模型的输入特征集。
89.进而，基于提取出的生理特征，在一可选实施例中，处理器102将生理特征输入随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征对应的脑灌注状态类型时，具体用于：
90.将生理特征输入随机森林模型中；对生理特征进行特征筛选，以得到随机森林模型的特征子集；通过多个决策树基于特征子集分别得到多个待选脑灌注状态类型；通过多个决策树基于多个待选脑灌注状态类型进行投票决策，得到多个投票结果；以多个投票结果中票数最多的待选脑灌注状态类型作为随机森林模型最终输出的预测结果。
91.其中，随机森林模型是基于决策树所构成的袋装(bagging)集成算法，在决策树的训练过程中引入随机特征选择的算法模型。随机森林模型中集成有多种弱分类器，从而形成新的分类器模型，使得随机森林模型无需进行特征选择能够得到较高正确率。
92.基于上文中介绍的输入特征集，上述步骤中，首先处理器102将包含多种生理特征的输入特征集输入到随机森林模型中。可选地，输入特征集中包括从生理特征数据中提取到的全部生理特征。
93.接着，处理器102将生理特征输入到随机森林模型之后，也可通过如下步骤实现在随机森林模型中实现特征选择，以进一步提高随机森林模型的预测准确性。其中，处理器102对生理特征进行特征筛选，以得到随机森林模型的特征子集时，具体用于：
94.获取在预设脑灌注状态类型下多种生理特征对随机森林模型的特征重要性；基于特征重要性对多种生理特征与预设脑灌注状态类型的相关性进行排序；根据排序结果筛选出与预设脑灌注状态类型最相关的生理特征作为随机森林模型的特征子集。
95.其中，多种生理特征，包括但不限于：年龄、性别、血压、心率、体温、血氧饱和度、收缩峰值血流速度、舒张末期血流速度、平均血流速度、阻力指数、搏动指数、收缩/舒张比值、脑血流量、脑氧代谢参数中的一种或组合。
96.可选地，为便于进行模型训练，通常会进行数据标注。在一可选实施例中，假设生理特征数据包括在不同类型脑灌注状态下采集到的生理特征数据样本，此情况下，处理器102还用于：标注各个生理特征数据样本对应的脑灌注状态类型。此处标注参考的依据是采集生理特征数据时所检测到的脑灌注状态类型，例如脑灌注状态正常、脑灌注状态偏高、脑灌注状态偏低。
97.本技术实施例中，特征重要性是用于衡量每一输入特征对模型预测结果贡献的指标参数。通过特征重要性度量能提升随机森林模型的预测准确性，可选地，通过随机森林模型中各个输入特征的重要性排序进行特征选择，以得到更为高效可靠的特征子集。
98.具体地，通过计算每个输入特征在随机森林中每一决策树上的贡献度，进而，对于每一输入特征，以在多个决策树上贡献度的平均值来表示该输入特征的特征重要性。实际应用中，可采用频数统计、基尼指数(gini)法、平均精度下降法来计算输入特征的特征重要性。
99.值得说明的是，由于基尼指数无需进行对数运算，计算相对其他方法更快，因此，本技术中进一步可选地，采用基尼指数法计算输入特征的特征重要性。具体而言，通过计算任一脑灌注状态样本下输入特征样本的基尼指数，可以衡量出特征样本的特征重要性，从而，从多种生理特征中筛选出与预设脑灌注状态类型最相关的生理特征，作为随机森林模型的特征子集。
100.在一可选实施例中，处理器102获取在预设脑灌注状态类型下多种生理特征对随机森林模型的特征重要性时，具体用于：
101.对于预设类型脑灌注状态下采集到的每一生理特征数据样本，计算每一生理特征数据样本中的生理特征对随机森林模型中每一决策树的基尼指数，以得到每一生理特征对随机森林模型中各个决策树的基尼指数。
102.具体来说，本实施例中，将生理特征的重要性评分记为vim，基尼指数值记为gi。假设m个生理特征x＝x1，x2，...x
n
，每个生理特征x
i
的基尼指数对应的评分为vim
i
，即第i个特征在随机森林模型的所有决策树中节点分裂不纯度的平均改变量。根据基尼指数计算公式可得，在第i棵决策树中，节点k的基尼指数为：
103.其中，k代表特征节点i处有k个类别，p
mk
表示节点m中类别k所占的比例。生理特征x
i
在节点m的重要性，即节点m分支前后的基尼指数变化量为：
104.其中，gi
l
和gi
r
分别表示分支后两个新节点的基尼指数。如果生理特征x
i
在决策树j中出现的节点处于集合m中，那么x
i
在第j棵树中的特征重要性评分为：
105.进一步假设随机森林模型共有n棵树，那么：
[0106][0107]
进而，将生理特征的重要性评分进行归一化处理，得到生理特征最终的重要性评分：
[0108]
最终，将多种生理特征按照重要性评分进行降序排序，删除重要性评分较低(即相关性较低)的生理特征，得到随机森林模型的特征子集。
[0109]
通过上述步骤可以对多种生理特征进行特征选择，进而，得到更高效可靠的特征子集。并且，针对不同脑灌注状态下采集到的生理特征进行特征选择，可以进一步融合更多不同类型的生理特征，以进一步提高各种脑灌注状态的预测准确性，提高脑血流及脑功能评估结果的准确性，辅助医生完成脑部检查。
[0110]
值得说明的是，实际应用中，采集其他评估方式进行特征选择的原理类似，此处不再展开介绍。
[0111]
进而，基于上述筛选出的特征子集，处理器102通过多个决策树基于特征子集分别得到多个待选脑灌注状态类型；通过多个决策树基于多个待选脑灌注状态类型进行投票决策，得到多个投票结果；以多个投票结果中票数最多的待选脑灌注状态类型作为随机森林模型最终输出的预测结果。
[0112]
具体地，每一决策树进行投票决策，将票数最高的状态作为最终的脑部状态。随机森林模型最终预测结果h(x)的计算方式为：
[0113][0114]
其中，h
i
(x)表示单一决策树模型的分类预测结果，i()为表示性函数，y是目标变量。
[0115]
实际应用中，假设提取出的生理特征包括：血压、心率、血氧饱和度、收缩峰值血流速度、舒张末期血流速度、平均血流速度、阻力指数、搏动指数、收缩/舒张比值、脑血流量、脑氧代谢参数。
[0116]
基于此，先筛选出随机森林模型的特征子集，从而通过多个决策树基于上述特征子集分别输出每一决策树判断的待选脑灌注状态类型。
[0117]
进一步假设多个决策树包括5个决策树，假设这5个决策树中3个投票决策出脑灌注状态类型为待选脑灌注状态类型a，另外2个投票决策出脑灌注状态类型为待选脑灌注状态类型b，基于此，以待选脑灌注状态类型a(即5个投票结果中票数最多的待选脑灌注状态类型)作为该随机森林模型最终输出的预测结果。
[0118]
通过上述步骤，在实际应用中，针对训练后的随机森林模型，基于输入的多种生理特征，即可预测出这些生理特征对应的脑灌注状态类型，实现对脑灌注状态的分类。
[0119]
进一步地，还可根据对脑灌注状态分类结果展示预警信息，以提示向使用者提示当前脑灌注状态。
[0120]
实际应用中，例如，假设脑灌注状态类型为一类表示脑血流量正常，假设脑灌注状态类型为二类表示脑血流量偏高，假设脑灌注状态类型为三类表示脑血流量偏低。基于上述假设，若判定脑灌注状态类型属于一类，则显示“当前脑灌注状态为脑血流量正常”；若判定脑灌注状态类型属于二类，则显示“当前脑灌注状态为脑血流量偏高”，从而通过显示内容可以辅助医师完成脑部检查评估。
[0121]
当然，除了一类、二类、三类外，还可将各个脑部区域的脑灌注状态类别设置为三类或以上类别。例如，脑血流量正常、脑血流量轻度偏高、脑血流量中高、脑血流量高、脑血流量轻度偏低、脑血流量中低、脑血流量低。此处描述的高低程度，实际是根据脑血流量的阈值范围确定的。
[0122]
介绍完本技术可能使用到的网络模型及其用法后，下面介绍用于训练上述模型的训练数据的获取方式。例如，
[0123]
首先，可以通过超声传感器采集目标检查对象的颈部血流数据。与上文介绍类似，将颈部血流数据转换为颈部血流特征序列，序列元素的个数根据颈部血流数据的采集数量
决定。
[0124]
其次，介绍脑部磁共振样本。脑部磁共振样本主要包括qbold样本、asl样本、qsm样本。
[0125]
例如，采用功能性磁共振成像(functional magnetic resonance imaging，fmri)获取脑部磁共振图像作为脑部磁共振样本。可选地，对脑部磁共振图像进行时间片校正、头动校正、结构图像与功能图像配准、全局归一化、空间平衡、空间标准化等预处理操作得到大脑灰质图像，以该大脑灰质图像作为脑部磁共振样本。值得说明的是，fmri是一种神经影像学方式，其原理是利用磁振造影来测量神经元活动所引发之血液动力的改变。
[0126]
进而，从脑部磁共振样本中提取出qbold样本、asl样本、qsm样本。
[0127]
本技术中，qbold样本是通过qbold技术采集的连续周期数据。简单来说，就是在测量周期内可以采集预设数量的多个qbold数据样本。例如，在测量周期内采集200个qbold数据样本。因此，qbold数据能够反映出连续时间段内脑部血流和代谢活动等功能性变化，为敏感脑区的筛选提供依据。另外两种样本数据的采集方式类似，此处不再展开介绍，具体采集方式可参见相关技术。
[0128]
可选地，还可为脑部磁共振样本标注相应分类标签，以便将携带有分类标签的脑部磁共振样本用于对下文介绍的脑灌注状态分类模型的训练过程。
[0129]
实际应用中，分类标签可参考血流灌注特征阈值设置，具体地，血流灌注特征阈值设置为一个或多个数值范围。数值范围中包括高灌注阈值。简单来说，就是各个脑灌注状态类别具有对应的血流灌注特征阈值范围，该范围的端点例如为高灌注阈值。若某一评估目标的血流灌注特征值高于某一类别的高灌注阈值，则该评估目标的脑灌注状态不属于该类别。
[0130]
举例来说，血流灌注特征例如为脑血流量，基于此，血流灌注特征阈值为脑血流量阈值。
[0131]
在本实施例中，通过将多种生理特征输入到随机森林模型，使该随机森林模型中的多个决策树预测出多种生理特征对应的脑灌注状态类型，实现对脑灌注状态的分类。不仅，无需使用大型检查设备即可对脑灌注状态进行分类，大大降低脑灌注状态分类的实现难度，拓展脑灌注状态分类的应用场景(例如航天场景、户外急救场景等)。而且，通过随机森林模型还可融合更多生理特征，以更加准确地区分各种脑灌注状态，提高脑血流及脑功能评估结果的准确性，辅助医生完成脑部检查。
[0132]
如图2为本技术实施例提供的一种脑灌注状态分类方法的流程示意图。具体包括如下步骤：
[0133]
201、接收来自不同数据采集设备的生理特征数据；
[0134]
202、提取生理特征数据中的生理特征；
[0135]
203、将生理特征输入随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征对应的脑灌注状态类型；
[0136]
204、基于生理特征对应的脑灌注状态类型对脑灌注状态进行分类。
[0137]
可选地，脑部血流数据包括脑部磁共振数据，脑部磁共振数据包括动脉自旋标记示踪asl数据以及定量磁敏感成像qsm数据。
[0138]
其中，生理特征数据包括生理指标数据、颈部血流数据、脑部血流数据中的至少一
种。
[0139]
其中，提取生理特征数据中的生理特征，包括：
[0140]
基于生理指标数据提取对应的年龄、性别、血压、心率、体温、血氧饱和度；基于颈部血流数据提取对应的收缩峰值血流速度、舒张末期血流速度、平均血流速度、阻力指数、搏动指数、收缩/舒张比值；基于asl数据以及qsm数据提取对应的脑部血流动力学参数，其中脑部血流动力学参数包括脑血流量cbf和脑氧代谢参数；以生理指标数据、颈部血流数据、asl数据以及qsm数据中提取出的多种生理特征，作为随机森林模型的输入特征。
[0141]
可选地，将生理特征输入随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征对应的脑灌注状态类型，包括：
[0142]
将生理特征输入随机森林模型中；对生理特征进行特征筛选，以得到随机森林模型的特征子集；通过多个决策树基于特征子集分别得到多个待选脑灌注状态类型；通过多个决策树基于多个待选脑灌注状态类型进行投票决策，得到多个投票结果；以多个投票结果中票数最多的待选脑灌注状态类型作为随机森林模型最终输出的预测结果。
[0143]
其中，可选地，对生理特征进行特征筛选，以得到随机森林模型的特征子集，包括：
[0144]
获取在预设脑灌注状态类型下多种生理特征对随机森林模型的特征重要性；基于特征重要性对多种生理特征与预设脑灌注状态类型的相关性进行排序；根据排序结果筛选出与预设脑灌注状态类型最相关的生理特征作为随机森林模型的特征子集。
[0145]
其中，可选地，生理特征数据包括在不同类型脑灌注状态下采集到的生理特征数据样本。
[0146]
方法还包括：标注各个生理特征数据样本对应的脑灌注状态类型。
[0147]
其中，可选地，获取特征重要性的方法，包括：基尼指数法、频数统计法、平均精度下降法中的至少一种。
[0148]
其中，可选地，获取在预设脑灌注状态类型下多种生理特征对随机森林模型的特征重要性，包括：
[0149]
对于预设类型脑灌注状态下采集到的每一生理特征数据样本，计算每一生理特征数据样本中的生理特征对随机森林模型中每一决策树的基尼指数，以得到每一生理特征对随机森林模型中各个决策树的基尼指数。
[0150]
值得说明的是，脑灌注状态分类方法与图1提供的脑灌注状态分类装置的实施方式类似，相似之处参见上文，此处不展开。
[0151]
图3为本技术实施例提供的一种脑灌注状态分类模型训练装置的结构示意图。如图3所示，装置包括：收发模块31以及处理器32；其中，
[0152]
收发模块31，用于接收来自不同数据采集设备的生理特征数据样本，其中，生理特征数据样本包括生理指标数据样本、颈部血流数据样本、脑部血流数据样本中的至少一种；
[0153]
处理器32，用于提取生理特征数据样本中的生理特征样本；将生理特征样本输入到随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征样本对应的脑灌注状态类型；
[0154]
处理器32，还用于基于随机森林模型预测出的脑灌注状态类型、以及预先标注的生理特征数据样本与脑灌注状态类型样本的映射关系，调整随机森林模型，以使调整后的随机森林模型输出的脑灌注状态类型与脑灌注状态类型样本一致。
[0155]
值得说明的是，上述装置训练得到的脑灌注状态模型的实现原理，与图1提供的脑灌注状态分类装置的实现原理类似，相似之处参见上文，此处不展开。
[0156]
图4为本技术实施例提供的一种脑灌注状态分类模型训练方法的流程示意图。如图4所示，方法包括：
[0157]
401、接收来自不同数据采集设备的生理特征数据样本，其中，生理特征数据样本包括生理指标数据样本、颈部血流数据样本、脑部血流数据样本中的至少一种；
[0158]
402、提取生理特征数据样本中的生理特征样本；
[0159]
403、将生理特征样本输入到随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征样本对应的脑灌注状态类型；
[0160]
404、基于预测出的脑灌注状态类型、以及预先标注的生理特征数据样本与脑灌注状态类型样本的映射关系，调整随机森林模型，以使调整后的随机森林模型输出的脑灌注状态类型与脑灌注状态类型样本一致。
[0161]
值得说明的是，上述方法训练得到的脑灌注状态模型的实现原理，与图1提供的脑灌注状态分类装置的实现原理类似，相似之处参见上文，此处不展开。
[0162]
图5为本技术实施例提供的电子设备的结构示意图。如图5所示，电子设备包括：存储器51以及处理器52；其中，
[0163]
存储器51，用于存储程序；
[0164]
处理器52，与存储器耦合，用于执行存储器中存储的程序，以用于：
[0165]
接收来自不同数据采集设备的生理特征数据，其中，生理特征数据包括生理指标数据、颈部血流数据、脑部血流数据中的至少一种；
[0166]
提取生理特征数据中的生理特征；
[0167]
将生理特征输入随机森林模型中，以使随机森林模型中的多个决策树预测出生理特征对应的脑灌注状态类型；
[0168]
基于生理特征对应的脑灌注状态类型对脑灌注状态进行分类。
[0169]
上述存储器51可被配置为存储其它各种数据以支持在计算设备上的操作。这些数据的示例包括用于在计算设备上操作的任何应用程序或方法的指令。存储器51可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0170]
上述处理器52在执行存储器51中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
[0171]
进一步，如图5所示，电子设备还包括：显示器53、电源组件54、通讯组件55等其它组件。图5中仅示意性给出部分组件，并不意味着该电子设备只包括图5所示组件。
[0172]
相应的，本技术实施例还提供一种存储有计算机程序的可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的脑灌注状态分类方法的步骤或功能。
[0173]
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性
的劳动的情况下，即可以理解并实施。
[0174]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
[0175]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。