[发明专利]一种基于磁共振影像的卒中复发预测方法和系统

权利要求书

1.一种基于磁共振影像的卒中复发预测方法，其特征在于，包括：

获取待测患者的磁共振影像集和真实年龄；所述磁共振影像集包括：基线DWI-B0核磁共振影像、基线DWI-B1000磁共振影像和病灶分割图；

将所述待测患者的基线DWI-B0核磁共振影像输入至大脑年龄预测模型，得到所述待测患者的大脑预测年龄；所述大脑年龄预测模型是以健康老年人的基线DWI-B0核磁共振影像为输入，以所述健康老年人的真实年龄为输出，对基于年龄的卷积神经网络模型进行训练得到的；所述基于年龄的卷积神经网络模型是采用Pytorch深度学习框架，基于密集卷积神经网络构建得到的；

将所述待测患者的大脑预测年龄和所述待测患者的真实年龄做差得到所述待测患者的大脑年龄差；

将所述待测患者的磁共振影像集和所述待测患者的大脑年龄差输入至卒中复发预测模型，得到待测患者的卒中复发预测结果；所述卒中预测模型是以不同卒中复发程度的患者的磁共振影像集和不同卒中复发程度的患者的大脑年龄差为输入，以对应的卒中复发程度为输出，对基于卒中复发程度的分类模型进行训练得到的；所述基于卒中复发程度的分类模型是由卷积神经网络和图卷积神经网络构建得到的；

所述卒中复发预测模型的确定方法为：

获取不同卒中复发情况的卒中患者的磁共振影像集、不同卒中复发情况的卒中患者的大脑年龄差和对应的卒中复发程度；

构建所述基于卒中复发程度的分类模型；所述基于卒中复发程度的分类模型包括：依次连接的卷积神经网络模块、图卷积神经网络模块和全连接模块；

以所述不同卒中复发情况的卒中患者的磁共振影像集为所述卷积神经网络模块的输入，以所述卷积神经网络模块输出的不同卒中复发情况的卒中患者的磁共振影像集的影像学特征为所述图卷积神经网络模块的输入；以所述不同卒中复发情况的卒中患者的大脑年龄差和所述图卷积神经网络模块输出的不同卒中复发情况的卒中患者的病灶的空间位置信息为所述全连接模块的输入，以对应的卒中复发程度为所述全连接模块的输出，采用反向传播算法和梯度下降算法进行训练，得到第一卒中复发预测模型；

采用交叉验证法对所述第一卒中复发预测模型进行调整，并将调整后的第一卒中复发预测模型确定为卒中复发预测模型。

2.根据权利要求1所述的一种基于磁共振影像的卒中复发预测方法，其特征在于，所述大脑年龄预测模型的确定方法为：

获取所述健康老年人的基线DWI-B0磁共振影像和真实年龄；

构建所述基于年龄的卷积神经网络模型；所述基于年龄的卷积神经网络模型包括：五个相同的卷积块；各所述卷积块均包括两个相同的卷积单元和一个最大池化层；各所述卷积单元均包括一个卷积层、一个ReLU激活函数和一个3D批标准化层；

以所述健康老年人的基线DWI-B0磁共振影像为输入，以所述健康老年人的真实年龄为输出，采用反向传播算法和梯度下降算法对所述基于年龄的卷积神经网络模型进行训练，得到第一大脑年龄预测模型；

采用交叉验证法对所述第一大脑年龄预测模型进行调整，并将调整后的第一大脑年龄预测模型确定为大脑年龄预测模型。

3.根据权利要求1所述的一种基于磁共振影像的卒中复发预测方法，其特征在于，在所述获取待测患者的磁共振影像集之后，还包括：

对所述磁共振影像集依次进行图像线性配准、图像切分和图像数据标准化操作。

4.根据权利要求1所述的一种基于磁共振影像的卒中复发预测方法，其特征在于，所述基于卒中复发程度的分类模型还包括注意力机制模块，所述注意力机制模块的输入端与所述图卷积神经网络模块的输出端连接，所述注意力机制模块的输出端与所述全连接模块的输入端连接；所述注意力机制模块用于将所述病灶的空间位置信息按照通道方向和图节点方向分别进行一维卷积处理得到所述病灶的空间位置信息的权值，再将所述权值和所述病灶的空间位置信息相乘，得到加权后的病灶的空间位置信息。