CN119400394A 一种基于深度学习与多模态融合的溶栓预测方法 （天津大学）

一种基于深度学习与多模态融合的溶栓预本发明公开了一种基于深度学习与多模态Mamba网络的脑卒中自动分割模型，能有效捕捉2S3、病灶分割：对经过S2图像配准后的MRI图像采用S1中得到的分割模型权重进行推2.根据权利要求1所述的一种基于深度学习与多模态融合的溶栓预测方法，其特征在3.根据权利要求2所述的一种基于深度学习与多模态融合的溶栓预测方法，其特征在F=o(M(v1))8M(vz);4.根据权利要求3所述的一种基于深度学习与多模态融合的溶栓预测方法，其特征在3y1为待5.根据权利要求4所述的一种基于深度学习与多模态融合的溶栓预测方法，其特征在对经过S2图像配准后的MRI图像采用S1中得到的分割模型权重进行推理，得到对应的v6.根据权利要求5所述的一种基于深度学习与多模态融合的溶栓预测方法，其特征在三维MRI、临床特征和影像组学特征，每组特征在输入前通过各自的处理模块进行特征提7.根据权利要求6所述的一种基于深度学习与多模态融合的溶栓预测方法，其特征在特征处理分支，所述三维MRI数据处理分支中，引入残差模块和注意力模块对特征进行提4[0004]如何准确预测哪些患者属于适合溶栓治疗的群体，一直是临床医生面临的挑[0005]针对这一空白，本发明提出了一种基于深度学习与多模[0007]为实现上述目的，本发明提供了一种基于深度学习与多模态融合的溶栓预测方5[0016]优选的，所述S12中，门控并行Mamba模块通过门节点和两个并行的分支，调节[0019]F=o(M(v1))8M(vz);′6y[0036]对经过所述S2图像配准后的MRI图像采用S1中得到的分割模型权重进行推理，得[0044](1)本发明提出了基于门控并行Mamba网络的脑卒中自动分割模型，通过引入作用。[0047](4)相较于传统仅依据缺血性脑卒中病灶体积作为决策依据的方法，该技术通过7[0055]图7为本发明实施例的脑卒中自动分割模型在部分测试样例下的分割结果与真实[0059]图11为本发明实施例的预测模型输入溶栓前三维MRI和临床特征数据的ROC曲线[0060]图12为本发明实施例的预测模型输入溶栓前三维MRI和影像组学特征数据的ROC[0061]图13为本发明实施例的预测模型输入临床特征和影像组学特征数据的ROC曲线[0062]图14为本发明实施例的预测模型输入溶栓前三维MRI数据、临床特征和影像组学8[0075]F=o(M(u))8M(v2);′大小和形状的病灶上均能够有效地捕捉各个模态图像的特征和信息，实现病灶的准确分9y[0094]对经过S2图像配准后的690例数据采用S1中得到的分割模型权重进行推理，得到栓治疗两个类别。[0104]残差块执行了一系列卷积和批归一化操作，并且调整了通道数，输出维度变为[0105]为了减少特征图的空间维度，模型采用了自适应平均池化操作，将空间维度从[0108]本模型可以根据需求灵活选择不同的数据组合进行输入。可以选择单独使用图两个类别。[0113]如图8图14所示，为本实施例对690例数据探索不同模态数据组合对预测模型性影像组学数据时，模型的预测准确率达到了最高的92体现了多模态数据融合对模型性[0119]最后应说明的是：以上实施例仅用以说明本发明的技术