CN119400393A 基于脑实质mri影像的梗塞变化预测方法及系统 （东莞市东南部中心医院(东莞市东南部中医医疗服务中心、广东医科大学附属东莞第一医院)）

基于脑实质MRI影像的梗塞变化预测方法及本发明提供一种基于脑实质MRI影像的梗塞测，生成梗塞变化预测结果并生成预测预后结2获取患者的脑实质MRI影像并构建多模态影像集，对于所述多模态影像集中的每个影将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷积神经基于所述优质特征数据构建时序特征矩阵，结合梗塞预测模型进2.根据权利要求1所述的方法，其特征在于，获转恢复序列像和扩散加权像，对所述脑实质MRI影像进行去标识化处理并构建所述多模态对于所述第一影像集中的影像，通过计算连续切片之间的相关定信号突变区域和不连续区域，对所述信号突变区域和所述不连续区域进行截断伪影识对所述第二影像集进行预处理，通过基于形态学操作的空间并结合直方图均衡化和非局部均值滤波算法提高对比度和信噪比，得到标准影像数3添加至预先构建的三维深度残差卷积神经网络中，通过密集连接的残差块进行特征提取，将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷积神经对于输入的标准影像数据，分别通过两个独立的三维深度残差卷积神经网络提取特基于所述跨尺度特征，根据渐进式下采样策略缩小池化窗口和将所述脑区特征数据添加至预设的特征选择网络中，基于所述交互46.根据权利要求1所述的方法，其特征在于，基于所述优质特征数据构建时序特征矩将所述时序特征矩阵添加至所述梗塞预测模型中，通过记忆单将所述综合时序特征输入至全连接神经网络中，将所述全连接神经基于所述梗塞变化预测结果，结合自助采样和随机58.基于脑实质MRI影像的梗塞变化预测系统，用于第二单元，用于将所述标准影像数据和所述脑区分割掩模添第三单元，用于基于所述优质特征数据构建时序特征矩阵其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意6[0001]本发明涉及图像识别技术领域，尤其涉及一种基于脑实质MRI影像的梗塞变化预[0005]本发明实施例提供一种基于脑实质MRI影像的梗塞变化预测方法及系统，至少能[0007]获取患者的脑实质MRI影像并构建多模态影像集，对于所述多模态影像集中的每[0008]将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷积[0011]获取患者的脑实质MRI影像并构建多模态影像集，对于所述多模态影像集中的每7减反转恢复序列像和扩散加权像，对所述脑实质MRI影像进行去标识化处理并构建所述多[0021]将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷积8[0022]将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷积[0028]基于所述多模态特征数据，通过图卷积神经网络提取高阶语义特征如下公式所9[0061]所述脑实质MRI影像是指利用磁共振成像(MRI)技术获取[0063]获取患者的脑实质MRI影像并构建多模态影像集，对于所述多模态影像集中的每减反转恢复序列像和扩散加权像，对所述脑实质MRI影像进行去标识化处理并构建所述多[0082]S2.将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷[0083]所述三维深度残差卷积神经网络(3DResNet)是一种深度学习模型，结合了卷积[0085]将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷积[0086]将所述标准影像数据和所述脑区分割掩模添加至预先构建的三维深度残差卷积[0092]将标准化后的多模态MRI影像数据和通过卷积神经网络得到的脑区分割掩模添加适应求和算法对三个模态的特征图进行融合，并通过上采样将特征对齐到相同的分辨率，习脑区之间的交互模式，将学习到的脑区特征输入到门控注意力网络中进行优质特征选[0099]基于所述多模态特征数据，通过图卷积神经网络提取高阶语义特征如下公式所推动人工智能技术在脑科学研究中的深入应终全连接网络在测试集上的预测准确率达到92得到梗塞变化[0117]采用自助采样从原始数据中采样500个样本作为新的训练集，并通过随机选择