一种基于图像的预后评估方法及装置

摘要

本申请提供了一种基于图像的预后评估方法及装置，该方法包括：获取图像中的第一区域的位置信息。获取图像中的第二区域的位置信息。依据第一区域的位置信息、第二区域的位置信息和图像的信息，计算参数，参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比。基于特征数值和预设的模型，确定预后评估结果。相较于人工观察进行预后评分，本申请基于参数和模型，确定预后评估结果，故具有较强客观性。并且，参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比，因为病灶的体积反映了病灶大小、占比反映了病灶的分布区域之间的区别，所以，能够进一步提高预后评估结果准确性。综上所述，本申请所述的技术方案，具有更高准确性。

权利要求

1.一种基于图像的预后评估方法，其特征在于，包括：

获取图像中的第一区域的位置信息，所述图像为预设对象的成像，所述第一区域为所述预设对象中的病灶区域在所述图像中的成像区域；

获取所述图像中的第二区域的位置信息，所述第二区域为所述对象中的预设区域在所述图像中的成像区域；

依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息，计算参数，所述参数包括左半脑每个预设区域各自对应的病灶区域的体积和病灶区域的体积占比、以及右半脑每个预设区域各自对应的病灶区域的体积和病灶区域的体积占比，所述病灶区域在所述预设区域中的体积占比反映所述病灶区域的分布区域之间的区别；

基于特征数值和预设的模型，确定评估结果，所述特征数值至少包括所述参数和所述对象关联的临床信息；

其中，所述对象包括：左半脑和右半脑；所述预设区域包括：核团层面和核团以上层面，核团层面细分为M1区域、M2区域、M3区域、岛叶I区域、豆状核L区域、尾状核C区域和内囊后肢IC区域，核团以上层面细分为M4区域、M5区域和M6区域。

2.根据权利要求1所述的方法，其特征在于，所述依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息，计算参数，包括：依据所述第一区域的位置信息和所述第二区域的位置信息，确定各个所述第一区域与各个所述第二区域的对应关系，其中，位置包括在任意一个所述第二区域的位置范围内的所述第一区域，与该第二区域对应；

依据所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距，计算各个所述预设区域中，所述病灶区域的体积、以及所述病灶区域的体积占比。

3.根据权利要求1所述的方法，其特征在于，所述依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息，计算参数，包括：划分左半脑中的所述第一区域的位置信息、所述第二区域的位置信息、以及右半脑中的所述第一区域的位置信息、所述第二区域的位置信息；

依据左半脑中的所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距，计算各个上述左半脑中的所述预设区域中，所述病灶区域的体积、以及所述病灶区域的体积占比；

依据右半脑中的所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距，计算各个所述右半脑中的所述预设区域中，所述病灶区域的体积、以及所述病灶区域的体积占比，位置包括在任意一个所述第二区域的位置范围内的所述第一区域，与该第二区域对应。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述获取图像中的第一区域的位置信息，包括：使用识别模型，从所述图像中识别所述第一区域，并确定所述第一区域的位置信息；

所述获取所述图像中的第二区域的位置信息，包括：

将所述图像中与预设的匹配模板的特征相似的区域，作为候选区域，并将所述候选区域与匹配模板进行配准，得到所述第二区域的位置信息；

所述预设的模型包括：

逻辑回归模型、支持向量机模型、随机森林模型或人工神经网络模型。

5.一种基于图像的预后评估装置，其特征在于，包括：

第一获取单元，用于获取图像中的第一区域的位置信息，所述图像为预设对象的成像，所述第一区域为所述预设对象中的病灶区域在所述图像中的成像区域；

第二获取单元，用于获取所述图像中的第二区域的位置信息，所述第二区域为所述对象中的预设区域在所述图像中的成像区域；

计算单元，用于依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息，计算参数，所述参数包括左半脑每个预设区域各自对应的病灶区域的体积和病灶区域的体积占比、以及右半脑每个预设区域各自对应的病灶区域的体积和病灶区域的体积占比，所述病灶区域在所述预设区域中的体积占比反映所述病灶区域的分布区域之间的区别；

确定单元，用于基于特征数值和预设的模型，确定评估结果，所述特征数值至少包括所述参数和所述对象关联的临床信息；

其中，所述对象包括：左半脑和右半脑；所述预设区域包括：核团层面和核团以上层面，核团层面细分为M1区域、M2区域、M3区域、岛叶I区域、豆状核L区域、尾状核C区域和内囊后肢IC区域，核团以上层面细分为M4区域、M5区域和M6区域。

6.根据权利要求5所述的装置，其特征在于，所述计算单元用于依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息，计算参数，包括：所述计算单元具体用于，依据所述第一区域的位置信息和所述第二区域的位置信息，确定各个所述第一区域与各个所述第二区域的对应关系，其中，位置包括在任意一个所述第二区域的位置范围内的所述第一区域，与该第二区域对应；依据所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距，计算各个所述预设区域中，所述病灶区域的体积、以及所述病灶区域的体积占比。

7.一种电子设备，其特征在于，包括处理器，以及用于存储所述处理器可执行指令的存储器；

所述处理器，用于执行所述可执行指令，以实现权利要求1-4任一项所述的基于图像的预后评估方法。

8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1-4中任一项所述的基于图像的预后评估方法。

说明书

一种基于图像的预后评估方法及装置

技术领域

[0001] 本申请涉及电子信息领域，尤其涉及一种基于图像的预后评估方法及装置。

背景技术

[0002] Alberta卒中项目早期CT评分(Alberta Stroke Program Early CT Score，ASPECTS)是评价缺血性卒中患者脑中动脉供血区早期缺血改变的一种方法，可对缺血性病
变快速进行半定量评价，有助于判定溶栓效果和远期预后。

[0003] 但ASPECTS具有一些局限性，从而导致对于预后的判定的准确性不高。

发明内容

[0004] 申请人在研究的过程中发现，ASPECTS的局限性主要体现在：1、由人工观察图像，并依靠经验确定得分，主观性大。2、忽视了病灶大小和病灶分布区域的区别对评分的不同
影响。3、忽视了左右脑的区别对评分的不同影响。

[0005] 本申请提供了一种基于图像的预后评估方法及装置，目的在于提高预后评估的准确性。

[0006] 为了实现上述目的，本申请提供了以下技术方案：

[0007] 一种基于图像的预后评估方法，包括：

[0008] 获取图像中的第一区域的位置信息，所述图像为预设对象的成像，所述第一区域为所述预设对象中的病灶区域在所述图像中的成像区域；

[0009] 获取所述图像中的第二区域的位置信息，所述第二区域为所述对象中的预设区域在所述图像中的成像区域；

[0010] 依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息，计算参数，所述参数包括所述病灶区域的体积、以及所述病灶区域在所述预设区域中的体积
占比；

[0011] 基于特征数值和预设的模型，确定评估结果，所述特征数值至少包括所述参数。

[0012] 可选的，所述依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息，计算参数，包括：

[0013] 依据所述第一区域的位置信息和所述第二区域的位置信息，确定各个所述第一区域与各个所述第二区域的对应关系，其中，位置包括在任意一个所述第二区域的位置范围
内的所述第一区域，与该第二区域对应；

[0014] 依据所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距，计算各个所述预设区域中，所述病灶区域的体积、以及所述病
灶区域的体积占比。

[0015] 可选的，所述对象包括：脑；

[0016] 所述预设区域包括：核团层面和核团以上层面。

[0017] 可选的，所述参数包括：

[0018] 第一参数和第二参数；

[0019] 所述第一参数包括左半脑中所述病灶区域的体积、以及左半脑中所述病灶区域在所述预设区域中的体积占比，所述第二参数包括右半脑中所述病灶区域的体积、以及右半
脑中所述病灶区域在所述预设区域中的体积占比。

[0020] 可选的，所述依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息，计算参数，包括：

[0021] 划分左半脑中的所述第一区域的位置信息、所述第二区域的位置信息、以及右半脑中的所述第一区域的位置信息、所述第二区域的位置信息；

[0022] 依据左半脑中的所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距，计算各个上述左半脑中的所述预设区域中，所述病
灶区域的体积、以及所述病灶区域的体积占比；

[0023] 依据右半脑中的所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距，计算各个所述右半脑中的所述预设区域中，所述病
灶区域的体积、以及所述病灶区域的体积占比，位置包括在任意一个所述第二区域的位置
范围内的所述第一区域，与该第二区域对应。

[0024] 可选的，所述特征数值还包括：

[0025] 所述对象关联的临床信息。

[0026] 可选的，所述获取图像中的第一区域的位置信息，包括：

[0027] 使用识别模型，从所述图像中识别所述第一区域，并确定所述第一区域的位置信息；

[0028] 所述获取所述图像中的第二区域的位置信息，包括：

[0029] 将所述图像中与预设的匹配模板的特征相似的区域，作为候选区域，并将所述候选区域与匹配模板进行配准，得到所述第二区域的位置信息；

[0030] 所述预设的模型包括：

[0031] 逻辑回归模型、支持向量机模型、随机森林模型或人工神经网络模型。

[0032] 一种基于图像的预后评估装置，包括：

[0033] 第一获取单元，用于获取图像中的第一区域的位置信息，所述图像为预设对象的成像，所述第一区域为所述预设对象中的病灶区域在所述图像中的成像区域；

[0034] 第二获取单元，用于获取所述图像中的第二区域的位置信息，所述第二区域为所述对象中的预设区域在所述图像中的成像区域；

[0035] 计算单元，用于依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息，计算参数，所述参数包括所述病灶区域的体积、以及所述病灶区域在所述预设
区域中的体积占比；

[0036] 确定单元，用于基于特征数值和预设的模型，确定评估结果，所述特征数值至少包括所述参数。

[0037] 可选的，所述计算单元用于依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息，计算参数，包括：

[0038] 所述计算单元具体用于，依据所述第一区域的位置信息和所述第二区域的位置信息，确定各个所述第一区域与各个所述第二区域的对应关系，其中，位置包括在任意一个所
述第二区域的位置范围内的所述第一区域，与该第二区域对应；依据所述第一区域在对应
的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距，计算各
个所述预设区域中，所述病灶区域的体积、以及所述病灶区域的体积占比。

[0039] 可选的，所述对象包括：脑；

[0040] 所述预设区域包括：核团层面和核团以上层面。

[0041] 可选的，所述参数包括：

[0042] 第一参数和第二参数；

[0043] 所述第一参数包括左半脑中所述病灶区域的体积、以及左半脑中所述病灶区域在所述预设区域中的体积占比，所述第二参数包括右半脑中所述病灶区域的体积、以及右半
脑中所述病灶区域在所述预设区域中的体积占比。

[0044] 一种电子设备，包括处理器，以及用于存储所述处理器可执行指令的存储器；

[0045] 所述处理器，用于执行所述可执行指令，以实现上述的基于图像的预后评估方法。

[0046] 一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的基于图像的预后评估方法。

[0047] 本申请所述的基于图像的预后评估方法及装置，获取图像中的第一区域的位置信息，图像为预设对象的成像，第一区域为预设对象中的病灶区域在图像中的成像区域。获取
图像中的第二区域的位置信息，第二区域为对象中的预设区域在图像中的成像区域。依据
第一区域的位置信息、第二区域的位置信息和图像的信息，计算参数，参数包括病灶区域的
体积、以及病灶区域在预设区域中的体积占比。基于特征数值和预设的模型，确定预后评估
结果，特征数值至少包括参数。相较于人工观察进行预后评分，本申请基于参数和模型，确
定预后评估结果，因此具有较强的客观性。并且，参数包括病灶区域的体积、以及病灶区域
在预设区域中的体积占比，因为病灶的体积反映了病灶大小、占比反映了病灶的分布区域
之间的区别，所以，能够进一步提高预后评估结果的准确性。综上所述，本申请所述的技术
方案，具有更高的准确性。

附图说明

[0048] 为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本
申请的一些实施例，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。

[0049] 图1为本申请实施例提供的一种脑基于图像的预后评估方法的示意图；

[0050] 图2为本申请实施例提供的一种基于图像的预后评估方法的示意图；

[0051] 图3为本申请实施例提供的一种基于图像的预后评估装置的结构示意图。

具体实施方式

[0052] 由背景技术可知，在现有技术中，都是由人工观察病患的医学图像，并依靠经验对病灶预后进行定量评分，从而根据预设的分数与临床结果的对应关系，实现预后的评估。

[0053] 以脑的非对比计算机断层扫描(Non-Contrast Computerized Tomography，NCCT)图像，使用ASPECTS进行脑中动脉供血区缺血预后评估为例。

[0054] ASPECTS方法局限性主要体现在：

[0055] 1、由人工观察图像，并依靠经验确定得分，主观性大：由于CT图像上脑卒中的超早期缺血性变化较小，并且缺血病灶的密度略微低于正常脑部组织，即病灶与正常组织的差
距不大。此外，医护人员在对脑区域进行缺血性评分时，极其容易出现误判，例如，相同的缺
血性评分结果，在尾状核区域中显示为中度，在内囊后肢区域也显示为中度，同时内囊后肢
区域在CT图像上的密度较正常脑组织稍低，医护人员极其容易将内囊后肢区域看成尾状核
区域，从而造成误判。并且，脑中相邻区域内若是同时出现低密度灶时，CT图像中相邻区域
边界区分较为困难，综上所述，医护人员往往需要依据个人经验进行评分，所以评分中容易
受个人主观影响。

[0056] 2、忽视了病灶大小和病灶分布区域的区别对评分的不同影响：现有的ASPECTS按照分数对脑卒中缺血性进行预后评估，但是，往往会以相同的分数评估脑中不同区域的缺
血性，使得脑中不同区域的预后评估结果都一样。例如，脑中M1区域和M2区域都有缺血区
域，但是M2的缺血区域远远大于M1区域，然而，M1区域和M2区域各自的分数却都是一样，
ASPECTS对M1区域和M2区域的预后评估结果都一样。明显的，ASPECTS忽视了病灶大小和病
灶分布区域的区别对评分的不同影响，预后评估的结果具有较大的局限性。

[0057] 3、ASPECTS忽视了左右脑的区别对评分的不同影响：脑可以分为左右两侧脑，左右脑的功能明显不同，然而，ASPECTS仅仅对脑进行缺血性评分，左右两侧脑各自对应的缺血
行评分无法得知。因此，ASPECTS忽视了左右脑的区别对评分的不同影响，ASPECTS评分更无
法体现出左右两侧脑的缺血性病变的区别、以及左右两侧脑各自的预后评估。

[0058] 有鉴于此，本申请实施例公开的基于图像的预后评估方法及装置，目的在于提供一种打破上述局限性，以提供更为准确的预后评估结果基于图像的预后评估技术。

[0059] 下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于
本申请中的实施例，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，都属于本申请保护的范围。

[0060] 如图1所示，以脑的CT图像作为预后评估对象，本申请实施例提供了一种脑基于图像的预后评估方法的示意图，包括如下步骤：

[0061] S101：获取图像中的第一区域的位置信息。

[0062] 本实施例中，以图像为脑的CT图像为例，第一区域为脑中的病灶区域(本申请实施例以缺血区域为例)在CT图像中的成像区域。

[0063] 需要说明的是，CT图像中的第一区域的位置信息，用于指示第一区域在图像中的具体位置。

[0064] 获取图像中的第一区域的位置信息的具体实现方式，为本领域技术人员所熟悉的公知常识，一种可选的实现方式如下:

[0065] 可选的，使用识别模型，从图像中识别第一区域，并确定第一区域的位置信息。

[0066] 需要说明的是，识别模型的具体类型可由技术人员根据实际情况进行设置，当然，识别模型的训练过程是本领域技术人员所熟悉的公知常识。

[0067] 具体的，以基于深度学习的卷积神经网络模型为例，从图像中识别第一区域，并确定第一区域的位置信息的过程包括：采用FastR-CNN网络模型，对图像进行卷积和池化等操
作，生成特征图，并从特征图中生成病灶的候选区域，再基于候选区域的影像特征来判断候
选区域是否为病灶，若候选区域为病灶，则对影像特征进行定位和分割，从而得到第一区域
的位置信息。

[0068] 具体的，上述模型的具体训练过程，包括：

[0069] 定义视觉任务(例如在脑中定位缺血区域)。

[0070] 利用selective  search方法或者edgebox方法，对输入图像进行object proposals提取。通过计算每个样本图像的标定框与object proposals的覆盖率，得到每个
样本图像对应的一组感兴趣区域。利用池化层从每个感兴趣区域的卷积特征中，提取对应
的规格化的唯一特征向量。将所有特征向量分别输入到全连接层所产生的两个支路中。

[0071] 其中，全连接层的一个支路用于，利用softmax回归计算目标分类(例如脑中的缺血区域和正常区域)，并对目标分类设定对应的概率估算值。另一个支路用于，输出用于表
征每个输入图像上目标(指示第一区域，例如脑中的缺血区域)的位置信息。

[0072] 利用ImageNet数据集，对FaetR-CNN网络进行预训练，得到预训练模型。

[0073] 将训练集、训练集中样本图像对应的标定值、以及object proposals作为预训练模型的输入，通过Faster R-CNN对预训练模型进行二次训练，并不断迭代优化模型中的参
数，直至得到效能稳定的病灶(例如脑缺血灶)检测模型。

[0074] 利用新样本(即脑CT图像)对病灶检测模型进行测试，得到新样本的检测结果(也就是图像中的第一区域的位置信息)。

[0075] 需要说明的是，上述具体实现过程仅仅用于举例说明。

[0076] S102：获取图像中的第二区域的位置信息。

[0077] 其中，第二区域为脑中的预设区域在CT图像中的成像区域。

[0078] 在本实施例中，考虑到具体应用场景，预设区域包括核团层面和核团以上层面。进一步的，还可以将核团层面和核团以上层面两个区域进行细分。具体的，核团层面细分为M1
区域、M2区域、M3区域、岛叶I区域、豆状核L区域、尾状核C区域和内囊后肢IC区域，核团以上
层面细分为M4区域、M5区域和M6区域。在本申请实施例中，脑划分为上述10个区域。

[0079] 需要说明的是，图像中第二区域的位置信息，用于指示第二区域在图像中的具体位置。此外，获取图像中的第二区域的位置信息的具体实现方式，为本领域技术人员所熟悉
的公知常识，一种可选的实现方式如下:

[0080] 可选的，将图像中与预设的匹配模板的特征相似的区域，作为候选区域，并将候选区域与匹配模板进行配准，得到第二区域的位置信息。

[0081] 需要说明的是，匹配模板的具体类型可由技术人员根据实际情况进行设置，本实施例中，可以使用标准脑的核团层面和核团以上层面的成像，作为匹配模板，当然，匹配模
板的配准过程是本领域技术人员所熟悉的公知常识。

[0082] 具体的，以ASPECTS匹配模板为例，匹配模板的配准过程包括：

[0083] 获取多个样本图像(例如脑的CT图像)，并对样本图像进行分区标注(例如标注脑的10个区域)，将标注后的图像作为模板。采用高斯滤波或者Hough变换，提取模板中各个区
域共通的图像特征。

[0084] 利用匹配算法，对待配准图像进行图像特征匹配。根据相似度量原则，确定待配准图像中对应模板分区匹配度最高的区域。基于最高区域对应的匹配特征，计算待配准图像
的空间变换矩阵。

[0085] 利用空间变换矩阵，对待配准图像进行转换，得到待配准图像的配准结果(也就是图像中第二区域的位置信息)。

[0086] 需要说明的是，上述具体实现过程仅仅用于举例说明。

[0087] S103：划分左半脑中的第一区域的位置信息、第二区域的位置信息、以及右半脑中的第一区域的位置信息、第二区域的位置信息。

[0088] 其中，在本申请实施例中，脑划分为左右两侧半脑，每一侧半脑划分为10个区域。在左右两侧半脑中，位置(由上述第一区域的位置信息确定)包括在任意一个第二区域的位
置范围(由上述第二区域的位置信息确定)内的第一区域，与该第二区域对应。

[0089] 左半脑中的第一区域指的是：病灶区域中位于在左半脑范围内的成像区域。左半脑中的第二区域指的是：左半脑中核团层面和核团以上层面各自对应的成像区域，进一步
的，将核团层面细分为M1区域、M2区域、M3区域、岛叶I区域、豆状核L区域、尾状核C区域和内
囊后肢IC区域，核团以上层面细分为M4区域、M5区域和M6区域，总共10个区域。

[0090] 右半脑中的第一区域指的是：病灶区域中位于在右半脑范围内的成像区域。右半脑中的第二区域指的是：右半脑中核团层面和核团以上层面各自对应的成像区域，进一步
的，将核团层面细分为M1区域、M2区域、M3区域、岛叶I区域、豆状核L区域、尾状核C区域和内
囊后肢IC区域，核团以上层面细分为M4区域、M5区域和M6区域，总共10个区域。

[0091] S104：依据左半脑中的第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图像中像素的间距，计算第一参数。

[0092] 其中，第一参数包括左半脑中病灶区域的体积，左半脑中病灶区域在预设区域中的体积占比。在本申请实施例中，左半脑中的预设区域包括10个区域，以脑左半脑M1区域为
例，依据左半脑中病灶区域在M1区域中的像素数量、M1区域的高度、以及CT图像中像素的间
距，计算左半脑M1区域中，病灶区域的体积、以及病灶区域的体积占比，具体计算过程如公
式(1)和(2)所示。

[0093]

[0094] 在公式(1)中，左半脑M1区域所属成像区域的第n层至第n+k层中分布有病灶区域所属的成像区域，VM1-L代表左半脑M1区域中病灶区域的体积， 代表病灶区域在M1区域
中所占据成像区域的像素数量，Lpixel-spacing代表CT图像中像素的间距，Lslice-thickness代表影
像层厚信息

[0095]

[0096] 在公式(2)中，RM1-L代表病灶区域在左半脑M1区域中的体积占比，Vtotal-M1-L代表左半脑M1区域的体积，Vtotal-M1-L的计算过程如公式(3)所示。

[0097]

[0098] 在公式(3)中， 代表M1区域所属成像区域的像素数量。

[0099] 同理，针对脑左半脑的所有区域，基于公式(1)、(2)和(3)的计算原理，得到左半脑10个区域各自对应的参数，病灶区域的体积，分别为VM1-L、VM2-L、VM3-L、VM4-L、VM5-L、VM6-L、VI-L、VL-L、VC-L和VIC-L，病灶区域的体积占比，分别为RM1-L、RM2-L、RM3-L、RM4-L、RM5-L、RM6-L、RI-L、RL-L、RC-L、RIC-L。

[0100] S105：依据右半脑中的第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图像中像素的间距，计算第二参数。

[0101] 其中，第二参数包括右半脑中病灶区域的体积，右半脑中病灶区域在预设区域中的体积占比。在本申请实施例中，右半脑中的预设区域包括10个区域，以脑右半脑M1区域为
例，依据右半脑中病灶区域在M1区域中的像素数量、M1区域的高度、以及CT图像中像素的间
距，计算右半脑M1区域中，病灶区域的体积、以及病灶区域的体积占比，具体计算过程如公
式(4)和(5)所示。

[0102]

[0103] 在公式(4)中，右半脑M1区域所属成像区域的第n层至第n+k层中分布有病灶区域所属的成像区域，VM1-R代表右半脑M1区域中病灶区域的体积， 代表病灶区域在M1区域
中所占据成像区域的像素数量，Lpixel-spacing代表CT图像中像素的间距，Lslice-thickness代表影
像层厚信息。

[0104]

[0105] 在公式(5)中，RM1-R代表病灶区域在右半脑M1区域中的体积占比，Vtotal-M1-R代表右半脑M1区域的体积，Vtotal-M1-R的计算过程如公式(6)所示。

[0106]

[0107] 在公式(6)中， 代表M1区域所属成像区域的像素数量。

[0108] 同理，针对脑右半脑的所有区域，基于公式(4)、(5)和(6)的计算原理，得到右半脑10个区域各自对应的参数，病灶区域的体积，分别为VM1-R、VM2-R、VM3-R、VM4-R、VM5-R、VM6-R、VI-R、VR-R、VC-R和VIC-R，病灶区域的体积占比，分别为RM1-R、RM2-R、RM3-R、RM4-R、RM5-R、RM6-R、RI-R、RR-R、RC-R、RIC-R。

[0109] S106：基于特征数值和预设的模型，确定预后评估结果。

[0110] 其中，特征数值包括第一参数、第二参数、以及脑关联的临床信息。脑关联的临床信息包括但不限于脑所属患者的病灶发病时间、血压、血糖、血液粘稠度等信息。

[0111] 基于特征数值和模型，确定预后评估结果的具体实现过程包括：将特征数值作为模型的输入，经由模型进行预后评估，输出得到脑预后的评估结果。在本申请实施例中，采
用机器学习的模型作为预设的模型，模型的类型包括但不限于是：逻辑回归模型、支持向量
机模型、随机森林模型、以及人工神经网络模型等机器学习模型。

[0112] 具体的，针对逻辑回归模型，以研究二分类观察结果y(例如脑术后90天mRS评分是否高于3分)为例，逻辑回归模型的训练过程包括：

[0113] 获取特征数值为x，x指示所有脑CT图像中相关因素加权后的数值，相关因素包括上述S104和上述S105计算得到VM1-L、VM2-L、VM3-L、VM4-L、VM5-L、VM6-L、VI-L、VL-L、VC-L、VIC-L、VM1-R、VM2-R、VM3-R、VM4-R、VM5-R、VM6-R、VI-R、VR-R、VC-R、VIC-R、RM1-L、RM2-L、RM3-L、RM4-L、RM5-L、RM6-L、RI-L、RL-L、RC-L、RIC-L、M1-R、RM2-R、RM3-R、RM4-R、RM5-R、RM6-R、RI-R、RR-R、RC-R和RIC-R，总计40个特征指标，x的计算过程如公式(7)所示。

[0114] x＝w0+w1x1+w2x2+…+wnxn                      (7)

[0115] 在公式(7)中，x1-xn代表左右半脑病灶区域的体积、以及病灶区域所占比，w0-wn代表上述40个因子各自的权值，x的判别模型为：

[0116]

[0117] 在公式(8)中，F(x)代表事件发生概率(例如脑术后90天mRS评分是否高于3分)，Y(x)代表在特定情况下的决策值，决策值的计算公式如公式(9)所示。

[0118]

[0119] 进一步的，采用极大似然法对权值进行计算，假设存在m个样本y1-ym，则最大似然函数为：

[0120]

[0121] 通过最大似然法求出w0-wn的具体数值，则第k个w权值的计算过程如公式(11)所示。

[0122]

[0123] 如此一来，得到n+1个类似公式(11)组成的公式集合，利用牛顿-拉菲森迭代方法求解公司集合，从而计算得到w0-wn的具体数值。

[0124] 需要说明的是，上述逻辑回归模型的具体训练过程，仅仅用于举例说明。

[0125] 具体的，针对支持向量机模型，以二分类问题在高维空间中寻找一个最佳平面作为两类的分割，以保证最小的分类错误率为例。支持向量机模型的训练过程包括：

[0126] 收集数据，数据具体包括上述S104和上述S105计算得到VM1-L、VM2-L、VM3-L、VM4-L、VM5-L、VM6-L、VI-L、VL-L、VC-L、VIC-L、VM1-R、VM2-R、VM3-R、VM4-R、VM5-R、VM6-R、VI-R、VR-R、VC-R、VIC-R、RM1-L、RM2-L、RM3-L、RM4-L、RM5-L、RM6-L、RI-L、RL-L、RC-L、RIC-L、M1-R、RM2-R、RM3-R、RM4-R、RM5-R、RM6-R、RI-R、RR-R、RC-R和RIC-R，总计40个特征数值。

[0127] 选用核函数(例如多项式核函数、高斯核函数、或sigmoid核函数等)进行建模，得到模型。

[0128] 采用五折交叉验证法，将上述数据随机分为5等份，每一份单独作为测试集，其余4份作为训练集，对模型中的参数惩罚因子和核函数参数进行优化。

[0129] 利用优化后所得到的最优参数惩罚因子和最优核函数参数，对模型进行训练，将训练后得到模型作为支持向量机模型。

[0130] 需要说明的是，上述支持向量机模型的具体训练过程，仅仅用于举例说明。

[0131] 具体的，针对随机森林模型，随机森林的训练过程包括：

[0132] 数据收集，数据具体包括：上述S104和上述S105计算得到VM1-L、VM2-L、VM3-L、VM4-L、VM5-L、VM6-L、VI-L、VL-L、VC-L、VIC-L、VM1-R、VM2-R、VM3-R、VM4-R、VM5-R、VM6-R、VI-R、VR-R、VC-R、VIC-R、RM1-L、RM2-L、RM3-L、RM4-L、RM5-L、RM6-L、RI-L、RL-L、RC-L、RIC-L、M1-R、RM2-R、RM3-R、RM4-R、RM5-R、RM6-R、RI-R、RR-R、RC-R和RIC-R，总计40个特征数值。并且，采用二分法将上述数据进行连续属性离散化。

[0133] 使用五次五折交叉验证方法，将连续属性离散化后的数据随机分为5等份，并分别将每一份单独作为测试集，其余4分作为训练集，重复进行5次建模。

[0134] 从训练集中有放回地随机采样选出m个样本特征。

[0135] 从所有采样得到的样本特征中选取k个样本特征，利用k个样本特征建立决策树。

[0136] 重复执行n次上述样本特征采样过程、以及决策树建立过程，得到n棵决策树，并基于n棵决策时，构建随机森林。

[0137] 针对上述收集得到的数据，经过每棵树决策，最后投票确认数据对应的类型，并评估随机森林模型的性能。

[0138] 迭代优化随机森林模型的参数，提升随机森林模型的性能，直至随机森林模型的性能稳定。

[0139] 需要说明的是，上述随机森林的具体训练过程，仅仅用于举例说明。

[0140] 具体的，针对人工神经网络模型，以脑卒中患者的预后评估为例，人工神经网络模型的训练过程包括：

[0141] 获取上述S104和上述S105计算得到VM1-L、VM2-L、VM3-L、VM4-L、VM5-L、VM6-L、VI-L、VL-L、VC-L、VIC-L、VM1-R、VM2-R、VM3-R、VM4-R、VM5-R、VM6-R、VI-R、VR-R、VC-R、VIC-R、RM1-L、RM2-L、RM3-L、RM4-L、RM5-L、RM6-L、RI-L、RL-L、RC-L、RIC-L、M1-R、RM2-R、RM3-R、RM4-R、RM5-R、RM6-R、RI-R、RR-R、RC-R和RIC-R，总计40个特征数值，对40个特征数值进行降维处理，确定与脑卒中预后关联的特征向量，降低神经网络过拟合的可能性。

[0142] 采用监督学习方法，训练神经网络中各个链接的权重，并通过十折交叉验证法，不断优化神经网络的性能。

[0143] 将特征向量作为训练好的神经网络模型的输入，神经网络模型对特征向量进行处理，输出脑卒中患者的预后评估结果(例如溶栓后是否有脑出血、以及术后90天mRS评分是
否高于3分等)。

[0144] 需要说明的是，上述人工神经网络模型的具体训练过程，仅仅用于举例说明。

[0145] 在本申请实施例中，以脑预后评估为例，通过获取图像中的第一区域的位置信息，以及获取图像中的第二区域的位置信息。划分左半脑中的第一区域的位置信息、第二区域
的位置信息、以及右半脑中的第一区域的位置信息、第二区域的位置信息。依据左半脑中的
第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图像中像素的间距，计算
第一参数。依据右半脑中的第一区域在对应的第二区域中的像素数量、预设区域的高度、以
及图像中像素的间距，计算第二参数。基于特征数值和预设的模型，确定预后评估结果。

[0146] 相较于人工观察进行预后评分，本申请基于参数和模型，确定预后评估结果，故具有较强客观性。并且，参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比，
因为病灶的体积反映了病灶大小、占比反映了病灶的分布区域之间的区别，进一步的，还新
分为左右半脑的参数，所以，能够进一步提高预后评估结果准确性。综上所述，本申请所述
的技术方案，具有更高准确性。

[0147] 需要强调的是，上述图1示出的基于图像的预后评估方法，仅仅针对于脑的CT图像进行举例，本申请所述的技术方案并不限于是CT图像，也不限于是以脑为预后评估对象。除
了CT图像之外，MRI等图像也可适用本申请提供的方法。除了脑之外，对象还可以包括但不
限定于其它器官，例如肺、肝脏等，并且，可以为不同的对象设置相应的第一区域和第二区
域，例如，对象为肺的情况下，第一区域可以为结节区域的成像区域，第二区域可以为不同
肺叶的成像区域。

[0148] 因此，上述方法可以概括为如图2所示的流程。

[0149] 如图2所示，为本申请实施例提供的一种基于图像的预后评估方法的示意图，包括如下步骤：

[0150] S201：获取图像中的第一区域的位置信息。

[0151] 其中，图像为预设对象的成像，第一区域为预设对象中的病灶区域在图像中的成像区域。当然，图像的类型包括但不限于是CT图像、CT血管成像影像(CT angiography 
source image，CTA-SI)、或者核磁共振成像(Nuclear Magnetic Resonance Imaging，MRI)
等。当然，获取图像中的第一区域的位置信息的具体实现过程，为本领域技术人员所熟悉的
公知常识，此外，也可以参见上述图1示出的S101的解释说明。

[0152] S202：获取图像中的第二区域的位置信息。

[0153] 其中，第二区域为对象中的预设区域在图像中的成像区域。预设区域的具体大小可由技术人员根据实际情况进行设置，例如，例如针对肺的CT图像，将肺划分为4个肺叶区
域，则第二区域表示这4个区域各自在CT图像中的成像区域。当然，获取图像中的第二区域
的位置信息的具体实现过程，为本领域技术人员所熟悉的公知常识，此外，也可以参见上述
图1示出的S102的解释说明。

[0154] S203：依据第一区域的位置信息、第二区域的位置信息和图像的信息，计算参数。

[0155] 其中，参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比。

[0156] 可选的，计算参数的过程包括：

[0157] 依据第一区域的位置信息和第二区域的位置信息，确定各个第一区域与各个第二区域的对应关系。依据第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图
像中像素的间距，计算各个预设区域中，病灶区域的体积、以及病灶区域的体积占比。

[0158] 需要说明的是，对应关系指的是：位置包括在任意一个第二区域的位置范围内的第一区域，与该第二区域对应。

[0159] 此外，基于各个第一区域与各个第二区域的对应关系，可以确定第一区域在对应的第二区域中的像素数量。并且，预设区域的高度和图像中像素的间距都是本领域技术人
员所熟悉的公知常识，这里不再赘述。

[0160] 需要说明的是，在各个预设区域中，参数的具体计算过程包括：

[0161] 病灶区域的体积＝第一区域在对应的第二区域中的像素数量×预设区域的高度(即成像仪器的切片颗粒度)×图像中像素的间距×图像中像素的间距。

[0162] 各个预设区域中，病灶区域的体积占比＝病灶区域的体积/预设区域的体积。

[0163] 预设区域的体积＝预设区域的像素数量×预设区域的高度×图像中像素的间距×图像中像素的间距。

[0164] 需要说明的是，本实施例中，参数的计算，并不是人为制定的计算规则，而是受自然存在的对象，以及对象成像的客观规律(例如医学成像仪器的原理)的约束，确定的计算
方法。也就是说，因为对象的成像仪器遵循成像原理，得到了对象的图像，所以，上述计算方
法，才能依据成像原理获得。

[0165] S204：基于特征数值和预设的模型，确定预后评估结果。

[0166] 其中，特征数值包括参数和对象关联的临床信息。对象关联的临床信息的具体类型可由技术人员根据实际情况进行设置。当然，模型的类型、模型的训练过程、以及模型输
出的预后评估结果的具体表达形式(例如以数值分数的形式表达预后评估结果，10分表示
预后良好，0分表示病灶预后不好等)，都是本领域技术人员所熟悉的公知常识，这里不再赘
述。

[0167] 在本申请实施例中，获取图像中的第一区域的位置信息，图像为预设对象的成像，第一区域为预设对象中的病灶区域在图像中的成像区域。获取图像中的第二区域的位置信
息，第二区域为对象中的预设区域在图像中的成像区域。依据第一区域的位置信息、第二区
域的位置信息和图像的信息，计算参数，参数包括病灶区域的体积、以及病灶区域在预设区
域中的体积占比。基于特征数值和预设的模型，确定预后评估结果，特征数值至少包括参
数。相较于人工观察进行预后评分，本申请基于参数和模型，确定预后评估结果，故具有较
强客观性。并且，参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比，因为
病灶的体积反映了病灶大小、占比反映了病灶的分布区域之间的区别，所以，能够进一步提
高预后评估结果准确性。综上所述，本申请所述的技术方案，具有更高准确性。此外，能够针
对个别评估对象(例如脑)的不同区域(例如左右脑)的病变区别，做出对应的预后评估，可
靠性较高。

[0168] 与上述本申请实施例提供的基于图像的预后评估方法相对应，本申请实施例还提供了一种基于图像的预后评估装置，如图3所示，包括：

[0169] 第一获取单元100，用于获取图像中的第一区域的位置信息，图像为预设对象的成像，第一区域为预设对象中的病灶区域在图像中的成像区域。

[0170] 其中，第一获取单元100中涉及的对象为脑，则预设区域包括核团层面和核团以上层面。

[0171] 第一获取单元100获取图像中的第一区域的位置信息的具体实现过程包括：使用识别模型，从图像中识别第一区域，并确定第一区域的位置信息。

[0172] 第二获取单元200，用于获取图像中的第二区域的位置信息，第二区域为对象中的预设区域在图像中的成像区域。

[0173] 其中，第二获取单元200获取图像中的第二区域的位置信息的具体实现过程包括：将图像中与预设的匹配模板的特征相似的区域，作为候选区域，并将候选区域与匹配模板
进行配准，得到第二区域的位置信息。

[0174] 计算单元300，用于依据第一区域的位置信息、第二区域的位置信息和图像的信息，计算参数，参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比。

[0175] 其中，计算单元300依据第一区域的位置信息、第二区域的位置信息和图像的信息，计算参数的具体实现过程包括：依据第一区域的位置信息和第二区域的位置信息，确定
各个第一区域与各个第二区域的对应关系，其中，位置包括在任意一个第二区域的位置范
围内的第一区域，与该第二区域对应。依据第一区域在对应的第二区域中的像素数量、预设
区域的高度、以及图像中像素的间距，计算各个预设区域中，病灶区域的体积、以及病灶区
域的体积占比。

[0176] 计算单元300中涉及的参数包括第一参数和第二参数。第一参数包括左半脑中病灶区域的体积、以及左半脑中病灶区域在预设区域中的体积占比，第二参数包括右半脑中
病灶区域的体积、以及右半脑中病灶区域在预设区域中的体积占比。

[0177] 若计算单元300中涉及的参数包括第一参数和第二参数，则计算单元300依据第一区域的位置信息、第二区域的位置信息和图像的信息，计算参数的具体实现过程包括：划分
左半脑中的第一区域的位置信息、第二区域的位置信息、以及右半脑中的第一区域的位置
信息、第二区域的位置信息。依据左半脑中的第一区域在对应的第二区域中的像素数量、预
设区域的高度、以及图像中像素的间距，计算各个上述左半脑中的预设区域中，病灶区域的
体积、以及病灶区域的体积占比。依据右半脑中的第一区域在对应的第二区域中的像素数
量、预设区域的高度、以及图像中像素的间距，计算各个上述右半脑中的预设区域中，病灶
区域的体积、以及病灶区域的体积占比。位置包括在任意一个第二区域的位置范围内的第
一区域，与该第二区域对应。

[0178] 确定单元400，用于基于特征数值和预设的模型，确定评估结果，特征数值至少包括参数。

[0179] 其中，确定单元400中涉及的特征数值还包括对象关联的临床信息，预设的模型包括：逻辑回归模型、支持向量机模型、随机森林模型或人工神经网络模型。

[0180] 在本申请实施例中，获取图像中的第一区域的位置信息，图像为预设对象的成像，第一区域为预设对象中的病灶区域在图像中的成像区域。获取图像中的第二区域的位置信
息，第二区域为对象中的预设区域在图像中的成像区域。依据第一区域的位置信息、第二区
域的位置信息和图像的信息，计算参数，参数包括病灶区域的体积、以及病灶区域在预设区
域中的体积占比。基于特征数值和预设的模型，确定预后评估结果，特征数值至少包括参
数。相较于人工观察进行预后评分，本申请基于参数和模型，确定预后评估结果，故具有较
强客观性。并且，参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比，因为
病灶的体积反映了病灶大小、占比反映了病灶的分布区域之间的区别，所以，能够进一步提
高预后评估结果准确性。综上所述，本申请所述的技术方案，具有更高准确性。此外，能够针
对个别评估对象(例如脑)的不同区域(例如左右脑)的病变区别，做出对应的预后评估，可
靠性较高。

[0181] 进一步的，本申请实施例还提供了一种电子设备，包括处理器，以及用于存储所述处理器可执行指令的存储器。所述处理器，用于执行可执行指令，以实现以上实施例所述的
基于图像的预后评估方法。

[0182] 本申请实施例还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的基于图像的预后评估方法。

[0183] 本申请实施例方法所述的功能如果以软件功能单元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设备可读取存储介质中。基于这样的理解，本申请实
施例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设备(可以是个人计
算机，服务器，移动计算设备或者网络设备等)执行本申请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。

[0184] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

[0185] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的
一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请
将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一
致的最宽的范围。