一种癫痫抗药性智能预测方法、装置、设备和介质与流程

1.本技术涉及癫痫抗药性预测的技术领域，尤其是涉及一种癫痫抗药性智能预测方法、装置、设备和介质。


背景技术：

2.目前临床上癫痫药物治疗结果诊断的主要途径是：确诊tsc（tuberono sclerosis，结节性硬化症）后，对患者进行长达一年以上的aeds（antiepilepticdrugs，抗癫痫药物）治疗，由医生观察患者用药一年之后仍有癫痫发作，来判断药物治疗结果，将患者分为药物控制型和药物难治型患者，然后再对药物难治型患者更换治疗方法，比如手术。这种方式有以下几个缺点：人力成本高，由于药物治疗的特殊性，所以需要经过专业训练的医师才能够对患者进行药物治疗；时间成本高，药物治疗结局一般需要一年以上的治疗，才能知道患者是否耐药，然后再对耐药患者更换治疗方案，这对患者治疗很不利，可能会耽误患者的最佳治疗时间。
3.基于上述问题，相关技术采用手动提取一些tsc癫痫患者的mri（magnetic resonance imaging，磁共振成像）中的病变位置、病灶类型和数量等特征，然后利用多种机器学习方法建模的研究，来预测癫痫药物治疗结果。但是，由于mri的特征通常是人工提取的不具有客观性，且人工提取成本高、效率低。
4.因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。


技术实现要素：

5.本技术目的一是提供一种癫痫抗药性智能预测方法，能够提高癫痫抗药性预测的效率，降低人工成本。
6.本技术的上述申请目的一是通过以下技术方案得以实现的：一种癫痫抗药性智能预测方法，包括：获取癫痫抗药性的mri图像训练集，并从所述mri图像训练集中的每一个mri图像中提取flair序列图和t2w序列图；其中，所述mri图像训练集包括控制组图像和未控制组图像；根据两路三维卷积神经网络和全连接网络建立待训练抗药性预测模型；其中，两路所述三维卷积神经网络分别用于提取所述flair序列图和所述t2w序列图的特征向量，并对两个所述特征向量进行特征拼接；利用所有的所述flair序列图和所述t2w序列图对所述待训练抗药性预测模型进行训练，得到抗药性预测模型；获取待预测mri图像，并根据所述待预测mri和所述抗药性预测模型得到癫痫抗药性的预测结果。
7.通过采用上述技术方案，本方案采用深度学习进行抗药性预测模型的建立，对于
flair序列图和t2w序列图的特征向量进行自动提取和拼接，避免了人工提取造成的误差，同时也提高了提取的效率，进而拼接后特征输入全连接网络进行预测，输出预测结果，整个过程成本低、效率高。
8.本技术在一较佳示例中可以进一步配置为：所述获取癫痫抗药性的mri图像训练集，包括：获取初始控制组图像和初始未控制组图像；根据所述初始控制组图像以及所述初始未控制组图像进行仿射变化，得到扩充后控制组图像、扩充后未控制组图像；将所述初始控制组图像、扩充后控制组图像，确定为所述控制组图像，且，将所述初始未控制组图像、扩充后未控制组图像确定为所述未控制组图像，以得到包括所述控制组图像和所述未控制组图像的所述mri图像训练集。
9.通过采用上述技术方案，本方案通过对初始控制组图像和初始未控制组图像进行仿射变化来增加训练的癫痫抗药性mri图像集中的图像的数量，增强抗药性预测模型的鲁棒性。
10.本技术在一较佳示例中可以进一步配置为：所述根据所述初始控制组图像以及所述初始未控制组图像进行仿射变化，得到扩充后控制组图像、扩充后未控制组图像，包括：去除所述初始控制组图像和所述初始未控制组图像中的干扰区域图像；对去除干扰区域图像后的所述初始控制组图像和所述初始未控制组图像，进行所述仿射变换，得到所述扩充后控制组图像、所述扩充后未控制组图像。
11.通过采用上述技术方案，本方案通过去除初始图像中的干扰区域，有助于进行分类，同时可以减少模型训练的复杂度，提高训练效率。
12.本技术在一较佳示例中可以进一步配置为：所述利用所有的所述flair序列图和所述t2w序列图对所述待训练抗药性预测模型进行训练，得到抗药性预测模型，包括：根据所有的所述flair序列图和所述t2w序列图对所述待训练抗药性预测模型进行训练，得到初始抗药性预测模型；对所述初始抗药性预测模型进行评估；当通过评估后，确定所述初始抗药性预测模型为所述抗药性预测模型。
13.通过采用上述技术方案，本方案通过对初始训练后的初始抗药性预测模型进行评估，当没有通过评估时，继续训练直至通过评估；只有通过评估，才能将其作为抗药性预测模型，提高了抗药性预测模型的可靠性。
14.本技术在一较佳示例中可以进一步配置为：所述对所述初始抗药性预测模型进行评估，包括：利用交叉验证方式对所述初始抗药性预测模型进行评估；对应的，根据所述待预测mri和所述抗药性预测模型得到癫痫抗药性的预测结果，包括：利用所述抗药性预测模型对所述待预测图像进行预测，得到多个抗药结果的预测值，其中，所述抗药结果的预测值的数量与交叉验证方式的折数对应；
将所述抗药结果的预测值的平均值与预设抗药阈值进行比较，得到比较结果；根据比较结果确定所述预测结果。
15.通过采用上述技术方案，本方案通过交叉验证方式对模型进行评估，极大地提高了抗药性预测模型的可靠性，当采用交叉验证方式后，在实际预测过程中各个模型输出抗药结果的预测值后，将抗药结果的预测值的平均值与预设的抗药性阈值进行比较，当达到抗药性阈值时，确定预测结果为具有抗药性，当未达到抗药性阈值时，确定预测结果为不具有抗药性。
16.本技术在一较佳示例中可以进一步配置为：所述利用所有的所述flair序列图和所述t2w序列图对所述待训练抗药性预测模型进行训练，得到抗药性预测模型，包括：将所述flair序列图输入第一路三维卷积神经网络，对所述flair序列图依次进行卷积、池化、全连接，得到第一特征向量；将所述t2w序列图输入第二路三维卷积神经网络，对所述t2w序列图依次进行卷积、池化、全连接，得到第二特征向量；将所述第一特征向量与所述第二特征向量进行特征拼接，输出拼接特征数据至所述全连接网络，直至完成所有所述flair序列图和所述t2w序列图对所述待训练抗药性预测模型的训练，得到所述抗药性预测模型。
17.通过采用上述技术方案，本方案通过建立一个完整的待训练抗药性预测模型，该模型包括由第一路三维卷积神经网络和第二路三维卷积神经网络组成的三维卷积神经网络，以及与三维卷积神经网络连接的全连接网络，整个模型建立过程简单，易操作，避免了两个网络单独训练造成的训练时间长、创建复杂的问题。
18.本技术在一较佳示例中可以进一步配置为：还包括：获取新mri图像训练集；根据所述新mri图像训练集对所述抗药性预测模型进行训练，得到新的抗药性预测模型；利用新的抗药性预测模型对新的待预测mri图像进行预测；执行所述获取新mri图像训练集的步骤，直至迭代次数达到设定阈值或预测准确性达到设定值。
19.基于上述技术方案，本方案利用新mri图像训练集对当前的抗药性预测模型进行训练，由于不断的利用新mri图像训练集对上一个抗药性预测模型进行迭代训练，因此使抗药性预测的正确率不断的提高，并且利用深度神经网络算法确保了每次训练的质量，提高了抗药性预测的准确性，改善了用户体验。
20.本技术目的二是提供一种癫痫抗药性智能预测装置，包括：图像获取模块，用于获取癫痫抗药性的mri图像训练集，并从所述mri图像训练集中的每一个mri图像中提取flair序列图和t2w序列图；其中，所述mri图像训练集包括控制组图像和未控制组图像；模型搭建模块，用于根据两路三维卷积神经网络和全连接网络建立待训练抗药性预测模型；其中，两路所述三维卷积神经网络分别用于提取所述flair序列图和所述t2w序
列图的特征向量，并对两个所述特征向量进行特征拼接；模型训练模块，用于利用所有的所述flair序列图和所述t2w序列图对所述待训练抗药性预测模型进行训练，得到抗药性预测模型；预测模块，用于获取待预测mri图像，并根据所述待预测mri和所述抗药性预测模型得到癫痫抗药性的预测结果。
21.通过采用上述技术方案，本方案采用深度学习进行抗药性预测模型的建立，对于flair序列图和t2w序列图的特征向量进行自动提取和拼接，避免了人工提取造成的误差，同时也提高了提取的效率，进而拼接后特征输入全连接网络进行预测，输出预测结果，整个过程成本低、效率高。
22.本技术目的三是提供一种电子设备，包括：一个或者多个处理器；存储器；一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行根据第一方面任一种可能的实现方式所示的一种癫痫抗药性智能预测方法。
23.通过采用上述技术方案，本方案采用深度学习进行抗药性预测模型的建立，对于flair序列图和t2w序列图的特征向量进行自动提取和拼接，避免了人工提取造成的误差，同时也提高了提取的效率，进而拼接后特征输入全连接网络进行预测，输出预测结果，整个过程成本低、效率高。
24.本技术的上述申请目的四是通过以下技术方案得以实现的：一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上癫痫抗药性智能预测方法的步骤。
25.通过采用上述技术方案，本方案采用深度学习进行抗药性预测模型的建立，对于flair序列图和t2w序列图的特征向量进行自动提取和拼接，避免了人工提取造成的误差，同时也提高了提取的效率，进而拼接后特征输入全连接网络进行预测，输出预测结果，整个过程成本低、效率高。
附图说明
26.图1为本技术实施例提供的一种癫痫抗药性智能预测方法流程示意图；图2为本技术实施例提供的一种癫痫抗药性mri图像集获取的流程示意图；图3为本技术实施例提供的一种待训练抗药性预测模型的训练流程示意图；图4为本技术实施例提供的一种三层的三维卷积神经网络结构示意图；图5为本技术实施例提供的一种抗药性预测模型的结构示意图；图6为本技术实施例提供的一种迭代训练的流程示意图；图7是本技术实施例提供的一种癫痫抗药性智能预测装置的结构框图；图8为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
27.以下结合附图对本技术作进一步详细说明。
28.本具体实施例仅仅是对本技术的解释，其并不是对本技术的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本技术的范围内都受到专利法的保护。
29.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作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。
30.另外，本文中术语“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“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
31.下面结合说明书附图对本技术实施例作进一步详细描述。
32.本技术实施例提供了一种癫痫抗药性智能预测方法，由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此，该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术实施例在此不做限制，如图1所示，图1为本技术实施例提供的一种癫痫抗药性智能预测方法流程示意图，该方法包括：s110、获取癫痫抗药性的mri图像训练集，并从mri图像训练集中的每一个mri图像中提取flair序列图和t2w序列图。
33.其中，mri图像训练集包括控制组图像和未控制组图像。
34.在tsc患者中，几乎都可以在脑部影像上观察到神经系统表现，而磁共振成像具有丰富的软组织对比度，是用于临床诊断tsc的先进的成像工具皮质结节和皮质下结节是主要的tsc相关的脑部病灶。在mri图像上不仅可以清晰的观察到脑部病灶，也能够观察患者的脑部结构，具体的，在mri图像的液体衰减反转恢复（flair）序列中和t2w序列中能够清晰观察到异常高或低信号。本实施例采用的flair序列图和t2w序列图作为每一患者提供的训练图，本实施例结合了flair序列图和t2w序列图进行深度学习，以达到一个最优的预测效果。
35.其中，从癫痫抗药性的mri图像训练集中的每一mri图像提取到flair（fluid attenuated inversion recovery，液体衰减反转恢复）序列图和与flair序列图对应的t2w序列图，可以理解的是，每一图像均包含有是否抗药性的标签。
36.mri图像训练集包括控制组图像和未控制组图像。本实施例的癫痫抗药性mri图像集选取入院诊断为tsc相关癫痫的患者，患者入组标准可以包括：在aeds治疗前进行了液体衰减反转恢复图像和t2加权图像即t2w图像扫描；接受了aeds治疗至少一年；患者没有进行病灶切除手术，其中，治疗原则由资深的结节性硬化症专家根据经验和指南确定。对于癫痫药物治疗结果根据1981年的ilae（international league against epilepsy，国际抗癫痫联盟）分类来定义，将所有病人分为控制组和未控制组，如果患者在aeds治疗的至少1年之内没有临床癫痫发作，则将其视为控制组，对应的图像为控制组图像；如果患者至少一年内有一次癫痫发作或者死亡，则将其视为未控制组，对应的图像为未控制组图像。值得注意的
是，控制组图像为控制组各患者接受癫痫药物治疗前的拍摄的图像，同样的，未控制组图像为未控制组各患者在接受癫痫药物治疗前拍摄的图像。
37.s120、根据两路三维卷积神经网络和全连接网络建立待训练抗药性预测模型。
38.其中，两路三维卷积神经网络分别用于提取flair序列图和t2w序列图的特征向量，并对两个特征向量进行特征拼接。
39.本步骤的目的是为了搭建待训练抗药性预测模型，采用了两路三维卷积神经网络实现自动提取特征、融合特征，全连接网络进行抗药性预测。
40.对于三维卷积神经网络进行进一步阐述，本实施例利用两路三维卷积神经网络提取flair序列图和t2w序列图的特征向量，然后特征相融合，提高了提取效率的同时，也提高了特征提取的准确性，避免了人工提取造成的效率低以及提取具有针对性的问题。具体的，利用深度学习中三维卷积神经网络的方法来进行图像的自动特征提取，该方法可以从不同的层次对flair序列图和t2w序列图进行特征的提取，学习出一些flair序列图和t2w序列图的中、高级的特征，这些特征能够对原有的图像特征具有更好的表达，并且可以利用三维权重提取flair序列图和t2w序列图三维重要信息，弥补了传统二维卷积神经网络无法利用三维空间信息的缺陷，从而提高了特征提取的准确性。本实施例不对三维卷积神经网络的卷积层个数进行限定，用户可根据实际需求进行设置，优选的，卷积层个数为3。
41.可以理解的是，整个待训练抗药性预测模型的结构是端到端的结构，即三维的flair图像和t2w图像输入，输出tsc引发的癫痫的是否具有抗药性的预测结果。
42.进一步的，可以对三维卷积神经网络应用随机失活(dropout)正则化机制，以防止过拟合，将该随机失活正则化机制在训练时使用，提高了三维卷积神经网络的泛化能力。
43.在一种可实现的实施方式中，待训练抗药性监测模型需要一起训练两路三维卷积神经网络和全连接网络。值得注意的是，对于待训练抗药性预测模型中的参数可自定义设置，只要能够实现本实施例的目的即可。
44.s130、利用所有的flair序列图和t2w序列图对待训练抗药性预测模型进行训练，得到抗药性预测模型。
45.将两路三维卷积神经网络和全连接网络作为一个模型，进行训练，得到训练好的抗药性预测模型。采用该种方式整个模型搭建过程简单，操作方便。
46.s140、获取待预测mri图像，并根据待预测mri和抗药性预测模型得到癫痫抗药性的预测结果。
47.获取待预测mri图像，该待预测mri图像是当前患者未用药治疗前的mri图像，待预测mri图像具体包括flair序列图和t2w序列图，利用深度学习的抗药性预测模型来预测tsc引发的癫痫的药物治疗的预测结果，该预测结果包括具有抗药性、不具有抗药性，降低了医生人力成本，医生只需采集tsc病人的flair序列和t2w序列，将两个序列图输入抗药性预测模型，就能快速的预测癫痫患者的药物治疗结局，辅助医生为tsc患者制定更好的治疗方案。同时，降低了患者时间成本，在药物治疗开始之前就通过mri影像来预测患者是否耐药，给患者争取时间进行更合适的治疗，患者不需要长达一年以上的耐药测试。
48.基于上述技术方案，本实施例采用深度学习进行抗药性预测模型的建立，对于flair序列图和t2w序列图的特征向量进行自动提取和拼接，避免了人工提取造成的误差，同时也提高了提取的效率，进而拼接后特征输入全连接网络进行预测，输出预测结果，整个
过程成本低、效率高。
49.基于上述实施例，由于医学图像的数据集通常较小，而深度学习训练需要大量数据集，当在小的数据集上进行深度学习时，容易出现拟合现象，整个模型的鲁棒性较差。因此，为了解决上述问题，本实施例通过对图像进行仿射变化来提高数据集，请参考图2，图2为本技术实施例提供的一种癫痫抗药性mri图像集获取的流程示意图，包括：s111、获取初始控制组图像和初始未控制组图像；本实施例中的初始控制组图像以及初始未控制组图像的图的大小均相同，可以是将每一flair图像和t2w图像均是尺寸256
×
256
×
256并进行归一化处理后的图像。
50.s112、根据初始控制组图像以及初始未控制组图像进行仿射变化，得到扩充后控制组图像、扩充后未控制组图像；s113、将初始控制组图像、扩充后控制组图像，确定为控制组图像，且，将初始未控制组图像、扩充后未控制组图像确定为未控制组图像，以得到包括控制组图像和未控制组图像的mri图像训练集。
51.其中，由于医学图像的特殊性，癫痫抗药性mri图像获取困难，在mri图像数据少的情况下，深度学习时容易出现过拟合现象，训练得到的抗药性预测模型鲁棒性较差。因此，本实施例中利用仿射变换对训练图像进行扩充，其中，仿射变换是对初始控制组图像以及初始未控制组图像做一个平移、旋转、放缩、剪切、对称中的任意一种或者多种，最终得到足够数量的训练集，也就是说，由实际采集的三维flair和t2w数据组成，并通过将影像剪切、旋转、翻转等手段进行数据集扩充，以增强模型的鲁棒性。
52.基于上述技术方案，本实施例通过对初始控制组图像和初始未控制组图像进行仿射变化来增加训练的癫痫抗药性mri图像集中的图像的数量，增强抗药性预测模型的鲁棒性。
53.基于上述实施例，为了提高模型训练效率以及提高预测的准确性，根据初始控制组图像以及初始未控制组图像进行仿射变化，得到扩充后控制组图像、扩充后未控制组图像，包括：去除初始控制组图像和初始未控制组图像中的干扰区域图像；对去除干扰区域图像后的初始控制组图像和初始未控制组图像，进行仿射变换，得到扩充后控制组图像、扩充后未控制组图像。
54.其中，患者拍摄的mri图像中包括与脑部结构不相关联的部位对应的干扰区域图像。例如，初始控制组图像中的第一图像时，该第一图像包括三维的第一flair图像和第一t2w图像，第一flair图像和第一t2w图像中均包括有效区域图像和干扰区域图像，该干扰区域图像可能对应耳部区域、颅骨或眼部区域。
55.本实施例去除干扰区域图像，不再需要对干扰区域图像进行特征提取等操作，以减少模型训练的复杂度，进而提供模型训练的效率、提高模型的准确性。对应的，在采用训练好的抗药性预测模型进行实际预测时，待预测图像同样需要进行去除干扰区域图像。
56.对于去除干扰区域图像的方式，可以采用深度学习工具hd-bet去除了图像中与病灶无关的图像；还可以采用fsl软件、spm12（software-statistical parametric mapping，统计参数映射）等预处理工具进行颅骨等干扰区域去除，其中，fsl软件是一个强大的脑成像分析工具，可以分析功能像、结构像等。
57.基于上述技术方案，本实施例通过去除初始图像中的干扰区域，有助于进行分类，同时可以减少模型训练的复杂度，提高训练效率。
58.基于上述实施例，为了提高模型的准确性，步骤s130，包括：根据所有的flair序列图和t2w序列图对待训练抗药性预测模型进行训练，得到初始抗药性预测模型；对初始抗药性预测模型进行评估；当通过评估后，确定初始抗药性预测模型为抗药性预测模型。
59.本实施例在对待训练抗药性预测模型进行训练后进行模型的评估，只有通过评估才能确定为可以应用的抗药性预测模型；在未通过评估时，继续进行初始抗药性预测模型的训练，直至通过评估。
60.基于上述技术方案，本实施例通对初始训练后的初始抗药性预测模型进行评估，当没有通过评估时，继续训练直至通过评估；只有通过评估，才能将其作为抗药性预测模型，提高了抗药性预测模型的可靠性。
61.本实施例提供一种具体的对初始抗药性预测模型进行评估的方式，包括：利用癫痫抗药性测试图像集对初始抗药性预测模型进行测试，得到测试成功率；判断测试成功率是否达到设定阈值，若是，则确定通过评估；若否，则确定未通过评估。
62.本实施例提供另一种具体的对初始抗药性预测模型进行评估的方式，包括：利用交叉验证方式对初始抗药性预测模型进行评估；对应的，根据待预测mri和抗药性预测模型得到癫痫抗药性的预测结果，包括：利用抗药性预测模型对待预测图像进行预测，得到多个抗药结果的预测值，其中，抗药结果的预测值的数量与交叉验证方式的折数对应；将抗药结果的预测值的平均值与预设抗药阈值进行比较，得到比较结果；根据比较结果确定预测结果。
63.本实施例不对交叉验证方式进行限定，可以是五折交叉验证方式还可以是十折交叉验证方式。
64.以五折交叉验证方式为例，在训练完成后，采用五折交叉验证的五个模型的参数在测试集上进行测试。每个患者的预测分数由五个模型的预测分数的平均值确定。具体五折交叉验证方式的训练以及测试过程包括：将训练数据集分为五份，选取其中一份作为测试集，另外四份作为训练集进行训练，例如，训练集为a、b、c、d、e，第一模型利用b、c、d、e训练得到模型，然后利用a进行测试，最终得测试结果；第二模型利用a、c、d、e训练得到模型，然后利用b进行测试，最终得测试结果；然后，第三模型、第四模型、第五模型均按照上述方式得到对应的测试结果，将测试结果的均值作为测试最终结果，将测试最终结果与测试阈值进行比较，当通过比较后，确定测试通过。进一步的，还可以通过计算auc（area under the curve of roc，模型评估指标）、准确性、敏感性和特异性来评估交叉验证方式中的每个模型的预测性能。模型的训练、验证和测试可以在 python（3.8.10 版）和 pytorch（1.9.0 版）环境中实现的。
65.对于交叉验证方法，在实际使用对待预测mri图像进行预测会得到输出多个抗药结果的预测值，系统预设有预设抗药阈值，根据抗药结果的预测值的平均值与预设抗药阈值的比较结果，确定是否具有抗药性。
66.例如，当交叉验证方式为五折交叉验证方式，则利用五折交叉验证方式进行模型训练以及验证会生成五个模型，该五个模型中体作为抗药性预测模型，对待预测图像进行预测时，五个模型会输出五个数值，将五个数值的平均值作为抗药数值。例如0表示控制型癫痫，1表示未控制型癫痫，当得到数值依次为0、1、1、0、1时，抗药数值为0.6，设置预设抗药性阈值为0.5，则预测结果为未控制即具有抗药性。再如，1表示控制型癫痫，0表示未控制型癫痫，当得到数值依次为0、1、1、0、1时，抗药数值为0.6，设置预设抗药性阈值为0.5，则预测结果为控制即不具有抗药性。具体可根据实际需求进行设置，本实施例不再进行限定，凡是能够实现本实施例的目的均属本实施例的保护范围。
67.基于上述技术方案，本实施通过交叉验证方式对模型进行评估，极大地提高了抗药性预测模型的可靠性，当采用交叉验证方式后，在实际预测过程中各个模型输出抗药结果的预测值后，将可抗药结果的预测值与预设的抗药性阈值进行比较，当达到抗药性阈值时，确定预测结果为具有抗药性，当未达到抗药性阈值时，确定预测结果为不具有抗药性。
68.基于上述任一实施例，请参考图3，图3为本技术实施例提供的一种待训练抗药性预测模型的训练流程示意图，包括：s131、将flair序列图输入第一路三维卷积神经网络，对flair序列图依次进行卷积、池化、全连接，得到第一特征向量。
69.s132、将t2w序列图输入第二路三维卷积神经网络，对t2w序列图依次进行卷积、池化、全连接，得到第二特征向量。
70.三维卷积神经网络三维卷积神经网络包括第一路维卷积神经网络和第二路三维卷积神经网络s133、将第一特征向量与第二特征向量进行特征拼接，输出拼接特征数据至全连接网络，直至完成所有flair序列图和t2w序列图对待训练抗药性预测模型的训练，得到抗药性预测模型。
71.三维卷积神经网络能够直接提取到时空域的特征而被应用到医学图像和视频处理领域，在数据集小的时候仍然有很好的效果，第一路三维卷积神经网络或第二路三维卷积神经网络主要涉及三个步骤：卷积，池化，全连接。请参考图4，图4为本技术实施例提供的一种三层的三维卷积神经网络结构示意图，在输入图像后，在进行一次3*3*3卷积和relu激活，输出的初始第一图像；对初始第一图像进行2*2*2最大池化，输出第一图像；对第一图像进行第二次的3*3*3卷积和relu激活，输出的初始第二图像；对初始第二图像进行2*2*2最大池化，输出第二图像；对第二图像进行第三次的3*3*3卷积和relu激活，输出的初始第三图像；对初始第三图像进行2*2*2最大池化，输出第三图像；对第三图像进行第一全连接处理得到第四图像，对第四图像进行第二全连接处理得到第五图像，第五图像为提取的输入图像的特征图像。
72.总的来说，将三维的flair序列图和t2w序列图分别输入三维卷积神经网络来提取特征向量，然后将提取的特征向量相融合来预测tsc引发的癫痫患者的预测结果。癫痫药物治疗结局预测模型即抗药性预测模型请参考图5，图5为本技术实施例提供的一种抗药性预测模型的结构示意图。
73.例如，输入的三维flair和t2w图像的大小均为（256,256,256），对图片进行三次卷积和激活，卷积核大小可以选（3，3，3），卷积核个数可以分别为(16,32,64)，步长设置为1，
激活函数用relu函数如公式（1）所示：（1）；其中，x为输入特征向量。
74.每一次卷积之后都进行最大池化，池化核大小设置为（2，2，2），步长设置为2，池化后特征图大小减半，即完成下采样操作；下采样各层网络结构与第一层一致，唯一区别是池化核个数，各层池化核数分别为(16,32,64)；然后通过两个全连接网络将对前面池化网络的输出展平为一维向量，全连接的神经元个数分别为256和128，dropout参数均为0.7；最后通过特征拼接操作将提取的flair和t2w影像特征融合为一个综合特征。然后输入全连接层网络，全连接层网络的全连接层共三层，全连接的神经元个数分别为32、16和2。激活函数采用softmax函数，输出可以为0或1,其中，0表示控制型癫痫，1表示未控制型癫痫。
75.训练的方式用户可根据实际需求进行设置，可以采用五折交叉验证来评估模型。采用adam算法进行训练网络，学习率设置为0.001、epoch设置为100，损失函数使用交叉熵损失函数，请参考式（2）：（2）；其中，loss为损失函数，表示样本i的label，正类为1，负类为0；yi表示样本i预测为正类的概率。
76.基于上述技术方案，本实施例通过建立一个完整的待训练抗药性预测模型，该模型包括由第一路三维卷积神经网络和第二路三维卷积神经网络组成的三维卷积神经网络，以及与三维卷积神经网络连接的全连接网络，整个模型建立过程简单，易操作，避免了两个网络单独训练造成的训练时间长、创建复杂的问题。
77.基于上述任一实施例，请参考图6，图6为本技术实施例提供的一种迭代训练的流程示意图，包括：s150、获取新mri图像训练集；本步骤的目的是从医院继续收集参加药物治疗病人的mri图像，得到新mri图像训练集，该新mri图像训练集包括新控制组图像和未控制组图像。
78.s160、根据新mri图像训练集对抗药性预测模型进行训练，得到新的抗药性预测模型；s170、利用新的抗药性预测模型对新的待预测mri图像进行预测；s180、执行获取新mri图像训练集的步骤，直至迭代次数达到设定阈值或预测准确性达到设定值。
79.受限于医药行业的训练集的数量少的问题，本实施例在得到可以应用预测的抗药性预测模型后，继续积攒训练图，利用新mri图像训练集对当前抗药性预测模型进行训练，得到新的抗药性预测模型，直至迭代次数达到设定阈值或者预测准确定达到设定值，停止迭代训练，在训练的过程中不断提高抗药性预测模型的准确性，改善了用户体验，避免了一直采用固定的预测模型进行预测造成的准确率低的技术问题。
80.下面对本技术实施例提供的一种癫痫抗药性智能预测装置进行介绍，下文描述的癫痫抗药性智能预测装置与上文描述的癫痫抗药性智能预测方法可相互对应参照，本实施
例的癫痫抗药性智能预测装置设置在电子设备中，参考图7，图7是本技术实施例提供的一种癫痫抗药性智能预测装置的结构框图，包括：图像集获取模块100，用于获取癫痫抗药性的mri图像训练集，并从mri图像训练集中的每一个mri图像中提取flair序列图和t2w序列图；其中，mri图像训练集包括控制组图像和未控制组图像；模型搭建模块200，用于根据两路三维卷积神经网络和全连接网络建立待训练抗药性预测模型；其中，两路三维卷积神经网络分别用于提取flair序列图和t2w序列图的特征向量，并对两个特征向量进行特征拼接；三维卷积神经网络三维卷积神经网络模型训练模块300，用于利用所有的flair序列图和t2w序列图对待训练抗药性预测模型进行训练，得到抗药性预测模型；预测模块400，用于获取待预测mri图像，并根据待预测mri和抗药性预测模型得到癫痫抗药性的预测结果。
81.优选的，图像集获取模块100，包括：初始图像获取单元，用于获取初始控制组图像和初始未控制组图像；扩充单元，用于根据初始控制组图像以及初始未控制组图像进行仿射变化，得到扩充后控制组图像、扩充后未控制组图像；确定单元，用于将初始控制组图像、扩充后控制组图像，确定为控制组图像，且，将初始未控制组图像、扩充后未控制组图像确定为未控制组图像，以得到包括控制组图像和未控制组图像的mri图像训练集。
82.优选的，扩充单元，包括：去除子单元，用于去除初始控制组图像和初始未控制组图像中的干扰区域图像；扩充子单元，用于对去除干扰区域图像后的初始控制组图像和初始未控制组图像，进行仿射变换，得到扩充后控制组图像、扩充后未控制组图像。
83.优选的，模型训练模块300，包括：第一训练单元，用于根据所有的flair序列图和t2w序列图对待训练抗药性预测模型进行训练，得到初始抗药性预测模型；评估单元，用于对初始抗药性预测模型进行评估；确定单元，用于当通过评估后，确定初始抗药性预测模型为抗药性预测模型。
84.优选的，评估单元，包括：评估子单元，用于利用交叉验证方式对初始抗药性预测模型进行评估；对应的，预测模块400，包括：抗药数值获得单元，用于利用抗药性预测模型对待预测图像进行预测，得到多个抗药结果的预测值，其中，抗药结果的预测值的数量与交叉验证方式的折数对应；比较单元，用于将抗药结果的预测值的平均值与预设抗药阈值进行比较，得到比较结果；预测结果获得单元，用于根据比较结果确定预测结果。
85.优选的，模型训练模块300，包括：flair训练特征图像获得单元，用于将flair序列图输入第一路三维卷积神经网络，对flair序列图依次进行卷积、池化、全连接，得到第一特征向量；
t2w训练特征图像获得单元，用于将t2w序列图输入第二路三维卷积神经网络，对t2w序列图依次进行卷积、池化、全连接，得到第二特征向量；第二训练单元，用于将第一特征向量与第二特征向量进行特征拼接，输出拼接特征数据至全连接网络，直至完成所有flair序列图和t2w序列图对待训练抗药性预测模型的训练，得到抗药性预测模型。
86.优选的，还包括：新图像训练集获取模块，用于获取新mri图像训练集；迭代训练模块，用于根据新mri图像训练集对抗药性预测模型进行训练，得到新的抗药性预测模型；新的预测模块，用于利用新的抗药性预测模型对新的待预测mri图像进行预测；停止模块，用于执行获取新mri图像训练集的步骤，直至迭代次数达到设定阈值或预测准确性达到设定值。
87.下面对本技术实施例提供的一种电子设备进行介绍，下文描述的电子设备与上文描述的癫痫抗药性智能预测方法可相互对应参照。
88.本技术实施例中提供了一种电子设备，如图8所示，图8所示的电子设备300包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本技术实施例的限定。
89.处理器301可以是cpu（central processing unit，中央处理器），通用处理器，dsp（digital signal processor，数据信号处理器），asic（application specific integrated circuit，专用集成电路），fpga（field programmable gate array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
90.总线302可包括一通路，在上述组件之间传送信息。总线302可以是pci（peripheral component interconnect，外设部件互连标准）总线或eisa（extended industry standard architecture，扩展工业标准结构）总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
91.存储器303可以是rom（read only memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，ram（random access memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom（electrically erasable programmable read only memory，电可擦可编程只读存储器）、cd-rom（compact disc read only memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
92.存储器303用于存储执行本技术方案的应用程序代码，并由处理器301来控制执
行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
93.其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、pda（个人数字助理）、pad（平板电脑）、pmp（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
94.下面对本技术实施例提供的一种计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的方法可相互对应参照。
95.本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上癫痫抗药性智能预测方法的步骤。
96.由于计算机可读存储介质部分的实施例与方法部分的实施例相互对应，因此计算机可读存储介质部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
97.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
98.以上仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。