[發明專利]一種癲癇抗藥性智能預測方法、裝置、設備和介質

在審

• 申請號: 202111364731.0
• 申請日: 2021-11-17
• 公開（公告）號: CN114267420A
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 蔣典;梁棟;王海峰
• 申請（專利權）人: 深圳先進技術研究院
• 主分類號: G16C20/50
• 分類號: G16C20/50;G16C20/70;G06N3/04
• 代理公司: 北京維正專利代理有限公司 11508
• 代理人: 何星民

本申請提供一種癲癇抗藥性智能預測方法、裝置、設備和介質，方法包括：獲取癲癇抗藥性的MRI圖像訓練集，并從MRI圖像訓練集中的每一個MRI圖像中提取FLAIR序列圖和T2W序列圖；MRI圖像訓練集包括控制組圖像和未控制組圖像；根據兩路三維卷積神經網絡和全連接網絡建立待訓練抗藥性預測模型；兩路三維卷積神經網絡分別用于提取FLAIR序列圖和T2W序列圖的特征向量，并對兩個特征向量進行特征拼接；利用所有的FLAIR序列圖和T2W序列圖對待訓練抗藥性預測模型進行訓練，得到抗藥性預測模型；獲取待預測MRI圖像，并根據待預測MRI和抗藥性預測模型得到癲癇抗藥性的預測結果。高效率低成本的實現抗藥性智能預測。

技術領域

本申請涉及癲癇抗藥性預測的技術領域，尤其是涉及一種癲癇抗藥性智能預測方法、裝置、設備和介質。

背景技術

目前臨床上癲癇藥物治療結果診斷的主要途徑是：確診TSC（tuberonosclerosis，結節性硬化癥）后，對患者進行長達一年以上的AEDs（antiepilepticdrugs，抗癲癇藥物）治療，由醫生觀察患者用藥一年之后仍有癲癇發作，來判斷藥物治療結果，將患者分為藥物控制型和藥物難治型患者，然后再對藥物難治型患者更換治療方法，比如手術。這種方式有以下幾個缺點：人力成本高，由于藥物治療的特殊性，所以需要經過專業訓練的醫師才能夠對患者進行藥物治療；時間成本高，藥物治療結局一般需要一年以上的治療，才能知道患者是否耐藥，然后再對耐藥患者更換治療方案，這對患者治療很不利，可能會耽誤患者的最佳治療時間。

基于上述問題，相關技術采用手動提取一些TSC癲癇患者的MRI（MagneticResonance Imaging，磁共振成像）中的病變位置、病灶類型和數量等特征，然后利用多種機器學習方法建模的研究，來預測癲癇藥物治療結果。但是，由于MRI的特征通常是人工提取的不具有客觀性，且人工提取成本高、效率低。

因此，如何提供一種解決上述技術問題的方案是本領域技術人員目前需要解決的問題。

發明內容

本申請目的一是提供一種癲癇抗藥性智能預測方法，能夠提高癲癇抗藥性預測的效率，降低人工成本。

本申請的上述申請目的一是通過以下技術方案得以實現的：

一種癲癇抗藥性智能預測方法，包括：

獲取癲癇抗藥性的MRI圖像訓練集，并從所述MRI圖像訓練集中的每一個MRI圖像中提取FLAIR序列圖和T2W序列圖；其中，所述MRI圖像訓練集包括控制組圖像和未控制組圖像；

根據兩路三維卷積神經網絡和全連接網絡建立待訓練抗藥性預測模型；其中，兩路所述三維卷積神經網絡分別用于提取所述FLAIR序列圖和所述T2W序列圖的特征向量，并對兩個所述特征向量進行特征拼接；

利用所有的所述FLAIR序列圖和所述T2W序列圖對所述待訓練抗藥性預測模型進行訓練，得到抗藥性預測模型；

獲取待預測MRI圖像，并根據所述待預測MRI和所述抗藥性預測模型得到癲癇抗藥性的預測結果。

通過采用上述技術方案，本方案采用深度學習進行抗藥性預測模型的建立，對于FLAIR序列圖和T2W序列圖的特征向量進行自動提取和拼接，避免了人工提取造成的誤差，同時也提高了提取的效率，進而拼接后特征輸入全連接網絡進行預測，輸出預測結果，整個過程成本低、效率高。

本申請在一較佳示例中可以進一步配置為：

所述獲取癲癇抗藥性的MRI圖像訓練集，包括：

獲取初始控制組圖像和初始未控制組圖像；

根據所述初始控制組圖像以及所述初始未控制組圖像進行仿射變化，得到擴充后控制組圖像、擴充后未控制組圖像；

將所述初始控制組圖像、擴充后控制組圖像，確定為所述控制組圖像，且，將所述初始未控制組圖像、擴充后未控制組圖像確定為所述未控制組圖像，以得到包括所述控制組圖像和所述未控制組圖像的所述MRI圖像訓練集。