血肿扩大预测方法及装置

摘要

本实施例涉及医学影像技术领域，提供一种血肿扩大预测方法及装置，所述方法包括：获取临床检查数据和包含血肿的CT图像；将CT图像输入预设的自动分割模型进行分割，得到分割结果，并依据分割结果计算出血肿体积；将分割结果、血肿体积及临床检查数据组成测试样本；计算预设的多个支撑样本中每个支撑样本与测试样本之间的匹配度，并依据多个匹配度，预测血肿是否会扩大。与现有技术相比，本实施例提供的血肿扩大预测方法及装置可以及时预测血肿是否会发生扩大，以进行相应处理，以保障患者的生命安全。

权利要求

1.一种血肿扩大预测方法，其特征在于，所述方法包括：获取临床检查数据和包含血肿的电子计算机断层扫描CT图像；

将所述CT图像输入预设的自动分割模型进行分割，得到分割结果，并依据所述分割结果计算出血肿体积；

将所述分割结果、血肿体积及所述临床检查数据组成测试样本；

计算预设的多个支撑样本中每个所述支撑样本与所述测试样本之间的匹配度，并依据多个匹配度，预测所述血肿是否会扩大；

其中，当所述支撑样本为非血肿扩大患者的样本时，所述计算预设的多个支撑样本中每个所述支撑样本与所述测试样本之间的匹配度，并依据多个匹配度，预测所述血肿是否会扩大的步骤，包括：

计算预设的多个支撑样本中每个所述支撑样本与所述测试样本之间的第一匹配度；

将多个第一匹配度中的每个第一匹配度均与预设匹配值进行对比；

统计所述多个第一匹配度中大于所述预设匹配值的第一匹配数量；

当所述第一匹配数量大于预设数量时，预测血肿不会扩大；

当所述第一匹配数量小于或者等于预设数量时，预测血肿会扩大。

2.根据权利要求1所述的方法，其特征在于，当所述支撑样本为血肿扩大患者的样本时，所述计算预设的多个支撑样本中每个所述支撑样本与所述测试样本之间的匹配度，并依据多个匹配度，预测所述血肿是否会扩大的步骤，包括：计算预设的多个支撑样本中每个所述支撑样本与所述测试样本之间的第二匹配度；

将多个第二匹配度中的每个第二匹配度均与预设匹配值进行对比；

统计所述多个第二匹配度中大于所述预设匹配值的第二匹配数量；

当所述第二匹配数量大于预设数量时，预测血肿会扩大；

当所述第二匹配数量小于或者等于预设数量时，预测血肿不会扩大。

3.根据权利要求1所述的方法，其特征在于，所述自动分割模型包括混合空洞分割网络，所述CT图像包括多张断层图像，所述将所述CT图像输入预设的自动分割模型进行分割，得到分割结果，并依据所述分割结果计算出血肿体积的步骤，包括：将所述多张断层图像输入所述混合空洞分割网络进行图像分割，得到每张断层图像对应的包含血肿区域和非血肿区域的分割图像，构成分割结果；

依据分割结果，统计每张断层图像对应的血肿区域的血肿像素点数量；

获取每张断层图像的图像厚度和血肿像素点面积；

将所有的血肿像素点数量、以及所述每张断层图像的图像厚度和血肿像素点面积带入血肿体积计算公式进行体积计算，得到血肿体积。

4.根据权利要求3所述的方法，其特征在于，所述血肿体积计算公式表达式如下：其中，pixelsi为第i张断层图像对应的血肿像素点数量，areai为第i张断层图像的血肿像素点面积，thicknessi为第i张断层图像的图像厚度，n为CT图像中断层图像的数量，V为血肿体积。

5.根据权利要求4所述的方法，其特征在于，所述混合空洞分割网络包括5个池化层，共包含9个卷积块，每个卷积块中的每个卷积层的卷积核均由空洞率分别为1、2、3、5的3*3四组空洞卷积组成。

6.根据权利要求1‑3任一项所述的方法，其特征在于，所述计算预设的多个支撑样本中每个所述支撑样本与所述测试样本之间的匹配度的步骤，包括：对所述测试样本中的分割结果进行特征提取，得到图像特征向量；

将所述图像特征向量与所述血肿体积、临床检查数据进行拼接，得到血肿特征向量；

获取每个支撑样本对应的预设特征向量；

计算所述血肿特征向量与每个所述预设特征向量之间的匹配度。

7.一种血肿扩大预测装置，其特征在于，所述装置包括：获取模块，用于获取临床检查数据和包含血肿的电子计算机断层扫描CT图像；

处理模块，用于将所述CT图像输入预设的自动分割模型进行分割，得到分割结果，并依据所述分割结果计算出血肿体积；将所述分割结果、血肿体积及所述临床检查数据组成测试样本；计算预设的多个支撑样本中每个所述支撑样本与所述测试样本之间的匹配度，并依据多个匹配度，预测所述血肿是否会扩大；

其中，当所述支撑样本为血肿未扩大患者的样本时，所述处理模块具体用于：计算预设的多个支撑样本中每个所述支撑样本与所述测试样本之间的第一匹配度；

将多个第一匹配度中的每个第一匹配度均与预设匹配值进行对比；

统计所述多个第一匹配度中大于所述预设匹配值的第一匹配数量；

当所述第一匹配数量大于预设数量时，预测血肿不会扩大；

当所述第一匹配数量小于或者等于预设数量时，预测血肿会扩大。

8.根据权利要求7所述的装置，其特征在于，当所述支撑样本为血肿体积扩大患者的样本时，所述处理模块具体用于：

计算预设的多个支撑样本中每个所述支撑样本与所述测试样本之间的第二匹配度；

将多个第二匹配度中的每个第二匹配度均与预设匹配值进行对比；

统计所述多个第二匹配度中大于所述预设匹配值的第二匹配数量；

当所述第二匹配数量大于预设数量时，预测血肿会扩大；

当所述第二匹配数量小于或者等于预设数量时，预测血肿不会扩大。

说明书

血肿扩大预测方法及装置

技术领域

[0001] 本发明涉及医学影像技术领域，具体而言，涉及一种血肿扩大预测方法及装置。

背景技术

[0002] 脑出血(Intracerebral Haemorrhage，简称ICH)指由血管破裂引发的脑内出血，医学上所指的脑出血主要是自发性的非外伤性脑出血，即自发性脑出血，自发性脑出血通
常是由高血压、高血糖、高血脂和抽烟等因素引起的。该疾病发病突然，病情凶险，治疗费
用、复发率、致残率和死亡率都很高，超过40％的脑出血患者会在一个月内死亡，幸存的患
者中80％的需要依靠他人的护理而活着，减轻ICH疾病的负担能有效地降低我国在医疗服
务上中整体负担。

[0003] 现有技术中，通过随访电子计算机断层扫描(Computed Tomography，简称CT)和基线CT进行比较，来对血肿是否扩大进行判断。但是，随访CT检查与基线CT检查时间间隔相对
较长，在通过此类方式判断出发生血肿扩大时，预示着患者病情很可能会恶化甚至死亡，用
该方法判定是否血肿扩大不够及时，会导致部分患者在此期间病情恶化甚至死亡。

发明内容

[0004] 本发明的目的在于提供一种血肿扩大预测方法及装置，以改善现有技术中血肿扩大的判定不及时，导致部分患者在此期间病情恶化甚至死亡的情况。

[0005] 为了实现上述目的，本发明实施例采用的技术方案如下：

[0006] 第一方面，本发明实施例提供一种血肿扩大预测方法，所述方法包括：获取临床检查数据和包含血肿的电子计算机断层扫描CT图像；将所述CT图像输入预设的自动分割模型
进行分割，得到分割结果，并依据所述分割结果计算出血肿体积；将所述分割结果、血肿体
积及所述临床检查数据组成测试样本；计算预设的多个支撑样本中每个所述支撑样本与所
述测试样本之间的匹配度，并依据多个匹配度，预测所述血肿是否会扩大。

[0007] 第二方面，本发明实施例提供一种血肿扩大预测装置，所述装置包括：获取模块，用于获取临床检查数据和包含血肿的电子计算机断层扫描CT图像；处理模块，用于将所述
CT图像输入预设的自动分割模型进行分割，得到分割结果，并依据所述分割结果计算出血
肿体积；将所述分割结果、血肿体积及所述临床检查数据组成测试样本；计算预设的多个支
撑样本中每个所述支撑样本与所述测试样本之间的匹配度，并依据多个匹配度，预测所述
血肿是否会扩大。

[0008] 相对于现有技术，本发明实施例所提供的一种血肿扩大预测方法及装置，通过将包含血肿的CT图像输入预设的自动分割模型进行分割，得到分割结果，并依据分割结果计
算血肿体积，然后将分割结果、血肿体积及临床检查数据组成测试样本，再计算预设的多个
支撑样本中每个支撑样本与测试样本的匹配度，并依据多个匹配度，预测血肿是否会发生
扩大。依据已有的图像数据和临床检查数据对血肿是否会扩大进行预测，能够提前预知是
否会发生血肿扩大，并进行相应的处理，避免了判定血肿扩大不及时，导致部分患者在此期
间病情恶化甚至死亡的情况。

[0009] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

[0010] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对
范围的限定，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
些附图获得其它相关的附图。

[0011] 图1示出了本发明实施例提供的电子设备的方框示意图。

[0012] 图2示出了本发明实施例提供的血肿扩大预测方法。

[0013] 图3示出了本发明实施例提供的混合空洞分割网络的结构图。

[0014] 图4示出了本发明实施例提供的1、2、3、5的空洞率示意图。

[0015] 图5为图2示出了步骤S2的子步骤流程图。

[0016] 图6示出了本发明实施例提供的分割结果示意图。

[0017] 图7为图2示出了步骤S4的第一子步骤流程图。

[0018] 图8为图7示出了步骤S41的子步骤流程图。

[0019] 图9示出了本发明实施例提供的三维孪生网络的示意图。

[0020] 图10为图2示出了步骤S4的第二子步骤流程图。

[0021] 图11示出了本发明实施例提供的血肿扩大预测装置的方框示意图。

[0022] 图标：100‑电子设备；101‑处理器；102‑存储器；103‑总线；104‑通信接口；200‑血肿扩大预测装置；201‑获取模块；202‑处理模块。

具体实施方式

[0023] 下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在
此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因
此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的
范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术用人员在没有
做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0024] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的
描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

[0025] 脑出血后早期(通常指发病后24小时内)发生血肿扩大是脑出血疾病中常见变化，血肿扩大根据随访CT和基线CT之间血肿体积是否大于33％或6毫升来判定，如果扩大超过
33％或6毫升，则判定为血肿扩大，发生血肿扩大预示着患者病情很可能会恶化甚至死亡，
而随访CT检查与基线CT检查时间间隔相对较长，用该方法判定是否血肿扩大不够及时，会
导致部分患者在此期间病情恶化甚至死亡。

[0026] 本发明所要解决的技术问题是，针对上述问题，提供一种血肿扩大预测方法，其核心改进点在于，在确诊为脑出血患者后，依据已有的图像数据和临床检查数据对血肿是否
会扩大进行预测，能够提前预知是否会发生血肿扩大，及时地预测患者是否会发生血肿扩
大，是对ICH患者进行进一步诊断和治疗的关键。

[0027] 本发明实施例提供的血肿扩大预测方法应用于电子设备100，电子设备100可以是，但不限于智能手机、平板电脑、个人计算机、车载电脑、个人数字助理(personal 
digital assistant，PDA)等等。请参阅图1，图1示出了本发明实施例提供的电子设备的部
分结构示意图，电子设备100包括处理器101、存储器102、总线103及通信接口104。处理器
101、存储器102及通信接口104通过总线103连接，处理器101用于执行存储器102中存储的
可执行模块，例如计算机程序。

[0028] 处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，血肿扩大预测方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令
完成。上述的处理器101可以是通用处理器101，包括中央处理器(Central Processing 
Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器
(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific 
Integrated Circuit，简称ASIC)、现成可编程门阵列(Field－Programmable Gate Array，
简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

[0029] 存储器102可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non‑volatile memory)，例如至少一个磁盘存储器。存储器102
可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only 
Memory，ROM)，可编程只读存储器(Programmable Read‑Only Memory，PROM)，可擦除只读存
储器(Erasable Programmable Read‑Only Memory，EPROM)，电可擦除只读存储器
(Electric Erasable Programmable Read‑Only Memory，EEPROM)等。

[0030] 总线103可以是ISA(Industry Standard Architecture)总线、PCI(Peripheral Component Interconnect)总线或EISA(Extended Industry Standard Architecture)总
线等。图1中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

[0031] 电子设备100通过至少一个通信接口104(可以是有线或者无线)实现该电子设备100与外部设备之间的通信连接。存储器102用于存储程序，例如血肿扩大预测装置200。血
肿扩大预测装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器
102中或固化在电子设备100的操作系统(operating system，OS)中的软件功能模块。所述
处理器101在接收到执行指令后，执行所述程序以实现血肿扩大预测方法。

[0032] 应当理解的是，图1所示的结构仅为电子设备100的结构应用示意图，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的
各组件可以采用硬件、软件或其组合实现。

[0033] 基于上述的电子设备100，下面给出一种血肿扩大预测方法可能的实现方式，该方法的执行主体可以为上述电子设备100，请参阅图2，图2示出了本发明实施例提供的一种血
肿扩大预测方法的流程图。血肿扩大预测方法包括以下步骤：

[0034] S1，获取临床检查数据和包含血肿的CT图像。

[0035] 在本发明实施例中，临床检查数据可以是，但不限于患者的收缩压、舒张压、血糖、肾功能、格拉斯哥昏迷评分、抗血小板治疗情况、是否吸烟、发病至基线CT之间的时间差等，
CT图像可以是对患者脑部进行拍摄，得到的包含血肿的CT图像。CT图像包括多张断层图像，
且每张断层图像均有其对应的图像厚度。需要说明的是，临床检查数据和CT图像均属于同
一患者。

[0036] S2，将CT图像输入预设的自动分割模型进行分割，得到分割结果，并依据分割结果计算出血肿体积。

[0037] 在本发明实施例中，自动分割模型可以是包含混合空洞卷积和U型网络(简称，U‑Net)的混合空洞分割网络，其中，U‑Net是一个图像分割网络。请参阅图3，混合空洞分割网
络可以包括5个池化层，共包含9个卷积块，请参阅图4，每个卷积块中的每个卷积层的卷积
核均由空洞率分别为1、2、3、5的3*3四组空洞卷积组成。

[0038] 请继续参阅图3，对于卷积块1‑1中每个卷积层，卷积核分别由8个空洞率为1、2、3、5的3×3的混合空洞卷积组成，共32个卷积核，为避免卷积后对特征图进行剪裁，使用外衬
值与空洞率相同的外衬操作来保持特征图尺寸一致。经过卷积操作后，对特征图进行批规
范化，接着使用线性整流函数进行非线性激活。在收缩阶段，每经过一个卷积块操作，则对
特征图进行2×2的池化操作。在扩张阶段，每经过一个卷积块操作，则对原始特征图进行2
×2的转置卷积，并与同一阶高分辨率的特征进行叠操作，例如，卷积块4‑2的输入特征图共
包含了512个，其中256个通过低分辨率的特征图转置卷积而来，另256个通过直接复制了卷
积块4‑1输出的较高分辨率特征图。

[0039] 本发明实施例提出的混合空洞分割网络具有以下两点优点：(1)将卷积核数量整体变为原来的一半，并将每个卷积块的两层卷积操作变为了三层卷积操作，使得模型更窄
更深，研究表明，窄而深的网络效果可能会更好。(2)神经元个数更少，引入混合空洞卷积，
提升感受野，并结合U‑Net能够捕获多尺度的上下文信息的特征，使得该网络能够适应不同
尺寸的血肿，同时使用与空洞率对应的外衬值，避免了对特征图进行剪裁。

[0040] 通过采用混合空洞分割网络，能够扩大同一层的神经元的感受野范围，从而使得该分割网络能够适应不同尺寸的血肿，进而提升血肿分割性能。

[0041] 分割结果可以是将CT图像中的每张断层图像中的血肿区域和非血肿区域进行区分后，得到的结果。电子设备100中预先存储有血肿体积计算公式，将混合空洞分割网络输
出的分割结果带入体积计算网络，可以计算出血肿体积。

[0042] 请参阅图5，步骤S2可以具体包括以下子步骤：

[0043] S21，将多张断层图像输入混合空洞分割网络进行图像分割，得到每张断层图像对应的包含血肿区域和非血肿区域的分割图像，构成分割结果。

[0044] 在本发明实施例中，分割图像可以是断层图像进行图像分割，得到的包含血肿区域和除血肿区域之外的非血肿区域的图像，分割结果可以是所有的断层图像对应的分割图
像的总和。请参阅图6，白色部分为血肿区域，黑色部分为非血肿区域。

[0045] 将多张断层图像输入混合空洞分割网络进行图像分割，得到每张断层图像对应的包含血肿区域和非血肿区域的分割图像，得到分割结果的步骤，可以理解为，将每张断层图
像输入混合空洞分割网络，以使混合空洞分割网络对该断层图像进行分割，得到该断层图
像对应的包含血肿区域和非血肿区域的分割图像，对每张断层图像均进行相同的处理，可
以得到每张断层图像对应的分割图像，所有的断层图像对应的分割图像共同构成了分割结
果。

[0046] S22，依据分割结果，统计每张断层图像对应的血肿区域的血肿像素点数量。

[0047] 在本发明实施例中，血肿像素点数量可以是一张分割图像中血肿区域的像素点的数量。由于每张断层图像经过图像分割，均会得到其对应的分割图像，那么所述依据分割结
果，统计每张断层图像对应的血肿区域的血肿像素点数量步骤，可以理解为，统计每一张断
层图像对应的分割图像中表征血肿区域(图6中白色区域)的像素点的数量，即可得到每张
断层该图像对应的血肿像素点数量。

[0048] S23，获取每张断层图像的图像厚度和血肿像素点面积。

[0049] 在本发明实施例中，图像厚度可以是扫描层的层厚。例如，5mm、9mm、10mm。血肿像素点面积可以理解为血肿像素点的面积，即血肿像素点的长与宽的乘积。每一张断层图像
均有着其对应的图像厚度和血肿像素点面积，在进行一次CT的拍摄得到所有的断层图像的
图像厚度和血肿像素点的血肿像素点面积一般是一致的。获取每张断层图像的图像厚度和
血肿像素点面积的步骤，可以理解为，从CT设备中导出CT文件，CT文件中包含有每张断层图
像的图像厚度、以及血肿像素点的长和宽，依据血肿像素点的长和宽，可以得到血肿像素点
面积。

[0050] 需要说明的是，于本发明的其它实施例中，步骤S23和步骤S22的执行顺序可以交换，也可以同时执行步骤S23和步骤S22，在此不作限定。

[0051] S24，将所有的血肿像素点数量、以及每张断层图像的图像厚度和血肿像素点面积带入血肿体积计算公式进行体积计算，得到血肿体积。

[0052] 在本发明实施例中，电子设备100内预先存储有血肿体积计算公式，将步骤S22得到的每张断层图像对应的血肿区域的血肿像素点数量、以及步骤S23得到的每张断层图像
的图像厚度和血肿像素点面积带入血肿体积计算公式中，即可得到患者的血肿体积。血肿
体积计算公式表达式如下：

[0053]

[0054] 其中，pixelsi为第i张断层图像对应的血肿像素点数量，areai为第i张断层图像的血肿像素点面积，thicknessi为第i张断层图像的图像厚度，V为血肿体积，n为CT图像中断
层图像的数量。

[0055] 作为一种实施方式，当图像厚度为6mm，血肿像素点面积为25mm2，CT图像中共包含5张断层图像：第一张断层图像的血肿像素点数量为234；第二张断层图像的血肿像素点数
量为124；第三张断层图像的血肿像素点数量为218；第四张断层图像的血肿像素点数量为
327；第五张断层图像的血肿像素点数量为116时，血肿体积V＝234*25*6+124*25*6+218*
3
25*6+327*25*6+116*25*6＝152850mm。

[0056] S3，将分割结果、血肿体积及临床检查数据组成测试样本。

[0057] 在本发明实施例中，将步骤S2得到的分割结果和血肿体积、以及步骤S1得到的临床检查数据组合在一起，构成该患者的测试样本。

[0058] S4，计算预设的多个支撑样本中每个支撑样本与测试样本之间的匹配度，并依据多个匹配度，预测血肿是否会扩大。

[0059] 在本发明实施例中，支撑样本可以是预先存储的非血肿扩大患者的分割结果、血肿体积及临床检查数据，还可以是预先存储的血肿扩大患者的分割结果、血肿体积及临床
检查数据。需要说明的是，在执行一次步骤S4的过程当中，所有的支撑样本应属于同一类型
的，或者是均为非血肿扩大患者对应的支撑样本，或者均是血肿扩大患者对应的支撑样本。
获取支撑样本的方式可以与获取预测样本的方式一致，对支撑样本和测试样本进行相同的
处理。

[0060] 电子设备100内预先存储有多个同一类型的支撑样本，计算多个同一类型的支撑样本中的每一个支撑样本与测试样本之间的匹配度，得到多个匹配度，并统计多个匹配度
中大于预设匹配度的匹配数量，并依据该匹配数量来预设血肿是否会扩大。

[0061] 请参阅图7，当支撑样本为非血肿扩大患者的样本时，步骤S4可以包括以下子步骤：

[0062] S41，计算预设的多个支撑样本中每个支撑样本与测试样本之间的第一匹配度。

[0063] 在本发明实施例中，第一匹配度可以是支撑样本为非血肿扩大患者对应的支撑样本与测试样本之间的匹配度。计算预设的多个支撑样本中每个支撑样本与测试样本之间的
第一匹配度的步骤，可以理解为，将测试样本和一个支撑样本输入预设的三维孪生网络，即
可计算出该支撑样本与测试样本之间的第一匹配度，按照上述的方式，对多个支撑样本中
的每一个支撑样本均进行相同的处理，即可得到多个支撑样本中的每一个支撑样本与测试
样本之间的第一匹配度。

[0064] 请参阅图8，步骤S41可以具体包括以下子步骤：

[0065] S411，对测试样本中的分割结果进行特征提取，得到图像特征向量。

[0066] 在本发明实施例中，请参阅图9，三维孪生网络包含特征提取网络和匹配度计算网络，特征提取网络用于进行特征提取，匹配度计算网络用于进行匹配度的计算。特征提取网
络可以包含两个相同的子特征提取网络，分别用于对测试样本中的分割结果进行特征提取
和对支撑样本中分割结果进行特征提取。

[0067] 两个子特征提取网络的参数共享，子特征提取网络由四个卷积层和一个全连接层组成，在卷积块1‑1、1‑2和1‑3中，每经过一次卷积操作，则进行一次批规范化、非线性激活
和最大池化操作，卷积块1‑1、1‑3中的最大池化尺寸为2×2×1，卷积块1‑2中的最大池化尺
寸为2×2×2，经过卷积块1‑3操作后，将特征图展平，变为一维的特征图，并通过全连接层
1‑1将特征变为64长度的一维特征向量，即为图像特征向量。

[0068] S412，将图像特征向量与血肿体积、临床检查数据进行拼接，得到血肿特征向量。

[0069] 在本发明实施例中，血肿特征向量可以是将图像特征向量与血肿体积、临床检查数据进行拼接后，得到的一维特征向量。将图像特征向量与血肿体积、临床检查数据进行拼
接，得到血肿特征向量的步骤，可以理解为，首先，将测试样本中的血肿体积与临床检查数
据进行拼接，得到统计特征1，然后，将统计特征1与图像特征向量进行拼接，即可得到血肿
特征向量。

[0070] S413，获取每个支撑样本对应的预设特征向量。

[0071] 在本发明实施例中，支撑样本可以是预先存储的非血肿扩大患者的分割结果、血肿体积及临床检查数据，预设特征向量可以是支撑样本对应的血肿特征向量。

[0072] 获取每个支撑样本对应的预设特征向量的步骤，可以理解为，首先，利用特征提取网络中的子特征提取网络对支撑样本中的分割结果进行特征提取，得到支撑样本对应的特
征向量；然后，将支撑样本中的血肿体积与临床检查数据进行拼接，得到统计特征2；最后，
将统计特征2与支撑样本对应的特征向量进行拼接，即可得到预设特征向量。其中，利用特
征提取网络中的子特征提取网络对支撑样本中的分割结果进行特征提取，得到支撑样本对
应的特征向量的具体的过程与对测试样本中的分割结果进行特征提取过程一致，在此不再
赘述。

[0073] 需要说明的是，由于对于每一个输入的测试样本而言，均需要获取支撑样本对应的预设特征向量，那么，对于已经获得的支撑样本对应的预设特征向量，可以存储于电子设
备100的存储器102内，再次获取支撑样本对应的预设特征向量时，直接使用即可，无需进行
重复计算。只有对于新增加的支撑样本，才执行上述的步骤。

[0074] S414，计算血肿特征向量与每个预设特征向量之间的匹配度。

[0075] 在本发明实施例中，将血肿特征向量和预设特征向量进行拼接后输入匹配度计算网络，匹配度计算网络可以由三个全连接层块组成，将拼接之后的血肿特征向量和预设特
征向量输入全连接块2‑1，得到一个长度为128的特征向量，然后，将该长度为128的特征向
量输入全连接块2‑2，得到一个长度为64的特征向量，最后，将该长度为64的特征向量输入
一个1×1的全连接层，得到血肿特征向量与预设特征向量之间的匹配度，即为第一匹配度。

[0076] 对每个支撑样本对应的预设特征向量均进行上述相同的处理，即可得到血肿特征向量与每个预设特征向量之间的第一匹配度。

[0077] S42，将多个第一匹配度中的每个第一匹配度均与预设匹配值进行对比。

[0078] S43，统计多个第一匹配度中大于预设匹配值的第一匹配数量。

[0079] 在本发明实施例中，第一匹配数量为多个第一匹配度中大于预设匹配值的第一匹配度的数量。将步骤S41中获得的多个第一匹配度中的每一个第一匹配度均与预设匹配值
(例如，60％)进行比较，将大于预设匹配值的第一匹配度置1，将小于预设匹配值的第一匹
配度置0，然后统计第一匹配度为1的数量，即可得到第一匹配数量。

[0080] 例如，当多个第一匹配度分别为80％、30％、25％、65％、73％，预设匹配值为60％时，第一匹配度80％、65％、73％均大于预设匹配值60％，将第一匹配度80％、65％、73％均
置为1，第一匹配度30％、25％均小于预设匹配值60％，将第一匹配度30％、25％均置为0，最
后，统计1的数量为3，第一匹配数量为3。

[0081] S44，当第一匹配数量大于预设数量时，预测血肿不会扩大。

[0082] 在本发明实施例中，将第一匹配数量与预设数量(例如，60)进行比较，当第一匹配数量大于预设数量时，预测血肿不会扩大。

[0083] S45，当第一匹配数量小于或者等于预设数量时，预测血肿会扩大。

[0084] 在本发明实施例中，将第一匹配数量与预设数量(例如，60)进行比较，当第一匹配数量小于或者等于预设数量时，预测血肿会扩大。

[0085] 需要说明的是，预测数量与支撑样本的数量相关，可以是支撑样本数量的60％，也就是说，当支撑样本的数量为100时，预测数量可以是60。

[0086] 请参阅图10，当支撑样本为血肿扩大患者的样本时，步骤S4还可以包括以下子步骤：

[0087] S46，计算预设的多个支撑样本中每个支撑样本与测试样本之间的第二匹配度。

[0088] 在本发明实施例中，第二匹配度可以是支撑样本为血肿扩大患者对应的支撑样本与测试样本之间的匹配度。计算预设的多个支撑样本中每个支撑样本与测试样本之间的第
二匹配度的步骤，可以理解为，将测试样本和一个支撑样本输入预设的三维孪生网络，即可
计算出该支撑样本与测试样本之间的第二匹配度，按照上述的方式，对多个支撑样本中的
每一个支撑样本均进行相同的处理，即可得到多个支撑样本中的每一个支撑样本与测试样
本之间的第二匹配度。

[0089] 计算多个支撑样本中的每一个支撑样本与测试样本之间的第二匹配度的步骤，可以具体参阅子步骤S411‑S414，在此不再赘述。

[0090] S47，将多个第二匹配度中的每个第二匹配度均与预设匹配值进行对比。

[0091] S48，统计多个第二匹配度中大于预设匹配值的第二匹配数量。

[0092] 在本发明实施例中，第二匹配数量为多个第二匹配度中大于预设匹配值的第二匹配度的数量。将步骤S46中获得的多个第二匹配度中的每一个第二匹配度均与预设匹配值
(例如，60％)进行比较，将大于预设匹配值的第二匹配度置1，将小于预设匹配值的第二匹
配度置0，然后统计第二匹配度为1的数量，即可得到第二匹配数量。

[0093] 例如，当多个第二匹配度分别为80％、40％、15％、65％、83％，预设匹配值为60％时，第二匹配度80％、65％、83％均大于预设匹配值60％，将第二匹配度80％、65％、83％均
置为1，第二匹配度40％、15％均小于预设匹配值60％，将第二匹配度40％、15％均置为0，最
后，统计1的数量为3，第二匹配数量为3。

[0094] S49，当第二匹配数量大于预设数量时，预测血肿会扩大。

[0095] 在本发明实施例中，将第二匹配数量与预设数量(例如，60)进行比较，当第二匹配数量大于预设数量时，预测血肿会扩大。

[0096] S410，当第二匹配数量小于或者等于预设数量时，预测血肿不会扩大。

[0097] 在本发明实施例中，将第二匹配数量与预设数量(例如，60)进行比较，当第二匹配数量小于或者等于预设数量时，预测血肿不会扩大。

[0098] 与现有技术相比，本发明实施例具有以下优势：

[0099] 首先，使用神经网络自动提取图像特征，使得提取的图像特征不受人的主观性的影响，且能够有效提升阅片效率，并有效降低成本。

[0100] 其次，综合考虑了图像特征和统计特征来预测血肿是否会扩大，提高了血肿扩大预测的准确率。

[0101] 最后，采用混合空洞分割网络，能够扩大同一层的神经元的感受野范围，从而使得分割网络能够适应不同尺寸的血肿，进而提升血肿分割性能。

[0102] 针对上述图2、5、7、8及图10的方法流程，下面给出一种血肿扩大预测装置200的可能的实现方式，该血肿扩大预测装置200可以采用上述实施例中的电子设备100的器件结构
实现，也可以为该电子设备100中的处理器101实现，请参阅图11，图11示出了本发明实施例
提供的血肿扩大预测装置的方框示意图。血肿扩大预测装置200包括获取模块201和处理模
块202。

[0103] 获取模块201，用于获取临床检查数据和包含血肿的CT图像；

[0104] 处理模块202，用于将CT图像输入预设的自动分割模型进行分割，得到分割结果，并依据分割结果计算出血肿体积；将分割结果、血肿体积及临床检查数据组成测试样本；计
算预设的多个支撑样本中每个支撑样本与测试样本之间的匹配度，并依据多个匹配度，预
测血肿是否会扩大。

[0105] 在本发明实施例中，当支撑样本为非血肿扩大患者的样本时，处理模块202执行计算预设的多个支撑样本中每个支撑样本与测试样本之间的匹配度，并依据多个匹配度，预
测血肿是否会扩大的步骤，具体用于：计算预设的多个支撑样本中每个支撑样本与测试样
本之间的第一匹配度；将多个第一匹配度中的每个第一匹配度均与预设匹配值进行对比；
统计多个第一匹配度中大于预设匹配值的第一匹配数量；当第一匹配数量大于预设数量
时，预测血肿不会扩大；当第一匹配数量小于或者等于预设数量时，预测血肿会扩大。

[0106] 在本发明实施例中，当支撑样本为血肿扩大患者的样本时，处理模块202执行计算预设的多个支撑样本中每个支撑样本与测试样本之间的匹配度，并依据多个匹配度，预测
血肿是否会扩大的步骤，具体用于：计算预设的多个支撑样本中每个支撑样本与测试样本
之间的第二匹配度；将多个第二匹配度中的每个第二匹配度均与预设匹配值进行对比；统
计多个第二匹配度中大于预设匹配值的第二匹配数量；当第二匹配数量大于预设数量时，
预测血肿会扩大；当第二匹配数量小于或者等于预设数量时，预测血肿不会扩大。

[0107] 在本发明实施例中，自动分割模型包括混合空洞分割网络，CT图像包括多张断层图像，处理模块202执行将CT图像输入预设的自动分割模型进行分割，得到分割结果，并依
据分割结果计算出血肿体积的步骤，具体用于：将多张断层图像输入混合空洞分割网络进
行图像分割，得到每张断层图像对应的包含血肿区域和非血肿区域的分割图像，构成分割
结果；依据分割结果，统计每张断层图像对应的血肿区域的血肿像素点数量；获取每张断层
图像的图像厚度和血肿像素点面积；将所有的血肿像素点数量、以及每张断层图像的图像
厚度和血肿像素点面积带入血肿体积计算公式进行体积计算，得到血肿体积。

[0108] 在本发明实施例中，血肿体积计算公式表达式如下：

[0109]

[0110] 其中，pixelsi为第i张断层图像对应的血肿像素点数量，areai为第i张断层图像的血肿像素点面积，thicknessi为第i张断层图像的图像厚度，n为CT图像中断层图像的数量，
V为血肿体积。

[0111] 在本发明实施例中，混合空洞分割网络包括5个池化层，共包含9个卷积块，每个卷积块中的每个卷积层的卷积核均由空洞率分别为1、2、3、5的3*3四组空洞卷积组成。

[0112] 在本发明实施例中，处理模块202执行计算预设的多个支撑样本中每个支撑样本与测试样本之间的匹配度的步骤，具体用于：对测试样本中的分割结果进行特征提取，得到
图像特征向量；将图像特征向量与血肿体积、临床检查数据进行拼接，得到血肿特征向量；
获取每个支撑样本对应的预设特征向量；计算血肿特征向量与每个预设特征向量之间的匹
配度。

[0113] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的血肿扩大预测装置200的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘
述。

[0114] 综上所述，本发明实施例提供一种血肿扩大预测方法及装置，所述方法包括：获取临床检查数据和包含血肿的CT图像；将CT图像输入预设的自动分割模型进行分割，得到分
割结果，并依据分割结果计算出血肿体积；将分割结果、血肿体积及临床检查数据组成测试
样本；计算预设的多个支撑样本中每个支撑样本与测试样本之间的匹配度，并依据多个匹
配度，预测血肿是否会扩大。与现有技术相比，本发明具有以下优势：依据已有的图像数据
和临床检查数据对血肿是否会扩大进行预测，能够提前预知是否会发生血肿扩大，并进行
相应的处理，避免了判定血肿扩大不及时，导致部分患者在此期间病情恶化甚至死亡的情
况。

[0115] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图
显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、
功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一
部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执
行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于
附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也
可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每
个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基
于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0116] 另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

[0117] 所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说
对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计
算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。
而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存
储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0118] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存
在任何这种实际的关系或者顺序。而且，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过程、方法、物品或者设备不仅包括那些要
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过程、方法、物品或者设备
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
包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0119] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在
下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需
要对其进行进一步定义和解释。