[发明专利]脑梗塞的AI预测方法、装置、设备及存储介质

权利要求书

1.一种脑梗塞的AI预测方法，其特征在于，包括：

获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；

获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。

对待预测的CT图像进行预处理，得到测试样本；

根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。

2.根据权利要求1所述的脑梗塞的AI预测方法，其特征在于，所述获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播，包括：

获取初始卷积神经网络；

基于所述初始卷积神经网络对所述原始CT图像进行编码，通过卷积操作提取所述原始CT图像各层对应的特征图；

基于所述初始卷积神经网络对所述特征图进行解码，处理所述提取后的特征图，并对脑梗塞病灶区预测；

预测结果评估，将预测结果集合与对应的所述脑梗塞标签集合的交叉熵作为预测的损失值，并通过dice系数进行求解，以实现反向传播。

3.根据权利要求2所述的脑梗塞的AI预测方法，其特征在于，所述基于所述初始卷积神经网络对所述原始CT图像进行编码，通过卷积操作提取所述原始CT图像各层对应的特征图包括：

基于Mobilenet架构以及多孔空间金字塔池化模块，提取所述原始CT图像各层对应的特征图。

4.根据权利要求2所述的脑梗塞的AI预测方法，其特征在于，所述基于所述初始卷积神经网络对所述特征图进行解码，处理所述提取后的特征图，并对脑梗塞病灶区预测包括：

在处理所述提取后的特征图时，加入经过编码得到的初始的前N层对应的特征图，以修复分割区域边界信息的丢失；其中，N大于1。

5.根据权利要求1所述的脑梗塞的AI预测方法，其特征在于，所述将对待预测的CT图像进行预处理，得到测试样本包括：

将所述待预测的CT图像的像素值归一化到预设的区间，得到测试样本。

6.根据权利要求1所述的脑梗塞的AI预测方法，其特征在于，所述获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签包括：

获取收集的原始CT图像；

获取对各个所述原始CT图像进行脑梗塞判断的标签。

7.根据权利要求6所述的脑梗塞的AI预测方法，其特征在于，所述获取医生对各个所述原始CT图像进行脑梗塞判断的标签包括：

对各个所述原始CT图像，在判断所述原始CT图像为有脑梗塞时，获取有脑梗塞标签及对应的脑梗塞区域；

对各个所述原始CT图像，在判断所述原始CT图像为没有脑梗塞时，获取无脑梗塞标签。

8.一种脑梗塞的AI预测装置，其特征在于，包括：

训练样本获取模块，用于获取训练样本；其中，所述训练样本包括原始CT图像及对应的脑梗塞标签；

网络获取模块，用于获取训练完成的基于编码加解码架构的卷积神经网络；其中，所述训练完成的基于编码加解码架构的卷积神经网络通过对所述训练样本和初始卷积神经网络进行卷积神经网络训练，训练时使用dice系数对预测结果进行评估，根据所述评估结果对所述初始卷积网络进行反向传播。

测试样本获取模块，用于对待预测的CT图像进行预处理，得到测试样本；

预测模块，用于根据所述训练完成的基于编码加解码架构的卷积神经网络，对所述待预测的CT图像进行脑梗塞预测，得到预测结果。