一种HT 多尺度特征挖掘及智能风险预测方法及系统
知识产权简介
本发明涉及计算机辅助诊断技术领域,公开了一种HT多尺度特征挖掘及智能风险预测方法及系统,方法包括:对获取的原始CT影像进行标准化预处理,对所述原始CT影像进行标准化预处理,得到标准化CT影像数据;利用预构建的深度学习特征提取网络,对所述标准化CT影像数据依次进行浅层特征提取和多尺度深层特征挖掘,得到表征病变区域及脑实质整体状态的深层全维度特征;将所述深层全维度特征输入至风险预测分类器,计算得到表征缺血性卒中后出血性转化风险的概率值;基于所述深度学习特征提取网络的注意力机制,生成用于可视化解释预测依据的注意力热力图,并输出所述概率值与所述注意力热力图,实现了CT影像HT风险的精准智能预测与可视化解释。
转化前景
缺血性卒中后出血性转化(HT)是急性缺血性卒中的严重并发症,直接导致患者神经功能恶化、临床预后不良,且大幅提升致死风险,目前临床中HT的早期精准预测是卒中诊疗的关键难题。现有技术中,依靠临床医生凭借经验基于CT影像判断HT发生风险,存在主观性强、诊断一致性低、对早期细微病变识别能力不足的问题;传统机器学习模型或其他影像分析模型多聚焦于局部影像特征、单一数据类型,存在预测灵敏度低、特异性失衡、泛化能力差的缺陷;同时,临床常用的影像诊断手段中,灌注MRI等技术虽有一定预测价值,但设备普及率低、检测耗时,难以在基层医疗机构及急诊场景中快速应用,而常规非增强CT的影像价值未被深度挖掘,缺乏能高效利用CT 全维度特征实现HT精准预测的智能化方法。此外,现有预测模型多为 “黑箱” 模型,无法对预测结果进行可视化解释,难以被临床医生信任和采纳,无法有效辅助急诊阶段的临床决策。 本发明旨在解决上述技术问题,提供一种基于CT数据的缺血性卒中后出血性转化智能预测方法,实现依托常规CT影像的HT高效、精准、可解释的智能预测,提升临床HT风险预判的效率和准确性。