[发明专利]脑出血预后预测方法、装置、电子设备及存储介质

权利要求书

1.一种脑出血预后预测方法，其特征在于，包括：

获取脑出血影像；

利用预先训练的深度学习网络对所述脑出血影像进行分割处理，得到所述脑出血影像的脑出血区域，以及提取所述脑出血影像的脑出血区域内的N维影像特征，N为正整数；

利用所述深度学习网络提取所述脑出血影像的全部区域内的M维影像特征，M为正整数；

将所述N维影像特征与所述M维影像特征融合，得到融合影像特征；

将所述融合影像特征输入预先训练的脑出血预测模型，获取所述脑出血预测模型输出的脑出血预后预测结果。

2.根据权利要求1所述的方法，其特征在于，所述将所述N维影像特征与所述M维影像特征融合，得到融合影像特征，包括：

将所述N维影像特征与所述M维影像特征连接，得到所述融合影像特征，其中，所述融合影像特征为N+M维的影像特征。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在影像特征融合之前，对所述N维影像特征和/或所述M维影像特征进行筛选；和/或，

在输入所述脑出血预测模型之前，对所述融合影像特征进行筛选。

4.根据权利要求3所述的方法，其特征在于，所述筛选的方式包括第一筛选方式和/或第二筛选方式，所述第一筛选方式用于筛选出与脑出血相关的影像特征维度，且基于所述第一筛选方式筛选出的不同维度的影像特征之间具有差异性，所述第二筛选方式基于所述脑出血预测模型进行筛选。

5.根据权利要求1所述的方法，其特征在于，所述深度学习网络的训练过程包括：

获取第一训练样本集，所述第一训练样本集中的各个训练样本包括脑出血影像及其对应的脑出血区域和M维影像特征；

根据所述第一训练样本集训练所述深度学习网络。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据第二训练样本集中训练样本的数量，选取所述脑出血预测模型，其中，所述第二训练样本集中的各个训练样本包括融合影像特征及其对应的脑出血预测结果。

7.根据权利要求6所述的方法，其特征在于，所述根据训练样本集中训练样本的数量，选取所述脑出血预测模型，包括：

在所述第二训练样本集中训练样本的数量小于第一阈值的情况下，选取XGBoost或CatBoost作为所述脑出血预测模型；

在所述第二训练样本集中训练样本的数量大于或等于第一阈值的情况下，选取TabNet作为所述脑出血预测模型。

8.根据权利要求1所述的方法，其特征在于，所述脑出血预测模型的训练过程包括：

获取第二训练样本集，所述第二训练样本集中的各个训练样本包括融合影像特征及其对应的脑出血预测结果；

根据所述第二训练样本集训练所述脑出血预测模型。

9.根据权利要求8所述的方法，其特征在于，所述第二训练样本集中包括的融合影像特征是由脑出血影像的脑出血区域内的N维影像特征和脑出血影像的全部区域内的M维影像特征融合得到。

10.一种脑出血预后预测装置，其特征在于，包括：

获取模块，用于获取脑出血影像；

分割模块，用于利用预先训练的深度学习网络对所述脑出血影像进行分割处理，得到所述脑出血影像的脑出血区域；

提取模型，用于提取所述脑出血影像的脑出血区域内的N维影像特征，N为正整数；

所述提取模块，还用于利用所述深度学习网络提取所述脑出血影像的全部区域内的M维影像特征，M为正整数；

融合模块，用于将所述N维影像特征与所述M维影像特征融合，得到融合影像特征；

输入模块，用于将所述融合影像特征输入预先训练的脑出血预测模型，获取所述脑出血预测模型输出的脑出血预后预测结果。