(12)發(fā)明專利(10)授權(quán)公告號CN1137241(65)同一申請的已公布的文獻號(73)專利權(quán)人騰訊科技(深圳)有限公司地址518057廣東省深圳市南山區(qū)高新區(qū)科技中一路騰訊大廈35層專利權(quán)人中國醫(yī)學科學院北京協(xié)和醫(yī)院(72)發(fā)明人陳星翰常健博王任直馮銘姚建華尚鴻王曉寧鄭瀚裴翰奇(74)專利代理機構(gòu)北京勵誠知識產(chǎn)權(quán)代理有限公司11647審查員劉昶忻專利代理師趙爽醫(yī)療影像處理方法、裝置、電子設備和存儲介質(zhì)本申請?zhí)峁┝艘环N醫(yī)療影像處理方法、裝置、電子設備和存儲介質(zhì)，通過對醫(yī)療影像的處理，促進了醫(yī)療影像的再次利用，在能夠提高醫(yī)療影像利用率的同時，也能夠基于對醫(yī)療影像的進一步分析，提高了疾病預后預測的準確性，從而輔助醫(yī)生制定治療方案，且增加了臨床落地可域的三維醫(yī)療影像；將三維醫(yī)療影像輸入醫(yī)療預后預測模型，通過醫(yī)療預后預測模型中的第一網(wǎng)絡對三維醫(yī)療影像的每一層進行特征提取，得到三維醫(yī)療影像對應的二維影像特征序列；將二維影像特征序列中的二維影像特征依次輸入醫(yī)療將三維醫(yī)療影像輸入醫(yī)療預后預測模型，通過序列；將二維影像特征序列中的二維影像特征依次輸21.一種醫(yī)療影像處理方法，其特征在于，包括：獲取包括目標區(qū)域的三維醫(yī)療影像；將所述三維醫(yī)療影像輸入醫(yī)療預后預測模型，通過所述醫(yī)療預后預測模型中的第一網(wǎng)絡對所述三維醫(yī)療影像的每一層進行特征提取，得到所述三維醫(yī)療影像對應的二維影像特征序列；將所述二維影像特征序列中的二維影像特征依次輸入所述醫(yī)療預后預測模型的第二網(wǎng)絡；以所述第二網(wǎng)絡輸出的預測數(shù)據(jù)作為所述目標區(qū)域的預后預測結(jié)果；所述以所述第二網(wǎng)絡輸出的預測數(shù)據(jù)作為所述目標區(qū)域的預后預測結(jié)果，包括：通過所述第二網(wǎng)絡對所述二維影像特征進行特征融合，得到影像融合特征；基于所述影像融合特征，生成所述目標區(qū)域的預測數(shù)據(jù)；以所述預測數(shù)據(jù)作為所述目標區(qū)域的預后預測結(jié)果。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：獲取訓練樣本集，所述訓練樣本集中的各個訓練樣本包含包括目標區(qū)域的三維醫(yī)療影像以及配對的醫(yī)療標簽；根據(jù)所述訓練樣本集對所述醫(yī)療預后預測模型進行訓練；其中，在訓練過程中，所述第一網(wǎng)絡對訓練樣本中的三維醫(yī)療影像的每一層進行特征提取，得到訓練樣本中的三維醫(yī)療影像對應的二維影像特征序列，以及將所述二維影像特征序列中的二維影像特征依次輸入所述第二網(wǎng)絡；所述第二網(wǎng)絡將所述二維影像特征序列中的二維影像特征融合，以及根據(jù)融合之后的特征進行預測。3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述訓練樣本集對所述醫(yī)療預后預測模型進行訓練，包括：獲取第一圖像處理方式的參數(shù)信息，其中，所述第一圖像處理方式包括裁剪、翻轉(zhuǎn)、平移、縮放、旋轉(zhuǎn)中的至少一種；隨機采用所述第一圖像處理方式所包括的處理方式中的一種或多種對訓練樣本中的三維醫(yī)療影像進行處理，得到增強的訓練樣本集；根據(jù)所述增強的訓練樣本集對所述醫(yī)療預后預測模型進行訓練。4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取訓練樣本集，包括：獲取多個原始的包括目標區(qū)域的三維醫(yī)療影像；獲取第二圖像處理方式的參數(shù)信息，其中，所述第二圖像處理方式包括裁剪、翻轉(zhuǎn)、平移、縮放、旋轉(zhuǎn)中的至少一種；隨機采用所述第二圖像處理方式所包括的處理方式中的一種或多種對所述多個原始的包括目標區(qū)域的三維醫(yī)療影像中的部分或全部進行處理，得到至少一個增強的包括目標區(qū)域的三維醫(yī)療影像；將所述多個原始的包括目標區(qū)域的三維醫(yī)療影像和所述至少一個增強的包括目標區(qū)域的三維醫(yī)療影像作為訓練樣本，形成所述訓練樣本集。5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述訓練樣本集對所述醫(yī)療預后預測模型進行訓練，包括：根據(jù)所述醫(yī)療預后預測模型輸出的預測數(shù)據(jù)和所述醫(yī)療標簽，確定交叉熵損失量；3根據(jù)所述交叉熵損失量，采用自適應梯度下降算法對所述醫(yī)療預后預測模型中的第一網(wǎng)絡和第二網(wǎng)絡的模型參數(shù)進行優(yōu)化。6.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述訓練樣本集對所述醫(yī)療預后從數(shù)據(jù)庫讀取第一預設值和/或第二預設值；使用所述第一預設值作為所述第一網(wǎng)絡的初始參數(shù)，和/或，使用所述第二預設值作為所述第二網(wǎng)絡的初始參數(shù)。7.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述方法還包括：獲取驗證樣本集，所述驗證樣本集中的各個驗證樣本包含包括目標區(qū)域的三維醫(yī)療影像以及配對的醫(yī)療標簽；在所述醫(yī)療預后預測模型擬合訓練樣本的情況下，將驗證樣本中的三維醫(yī)療影像輸入所述醫(yī)療預后預測模型，通過所述第一網(wǎng)絡對驗證樣本中的三維醫(yī)療影像的每一層進行特征提取，得到驗證樣本中的三維醫(yī)療影像對應的二維影像特征序列，以及將所述二維影像特征序列中的二維影像特征依次輸入所述第二網(wǎng)絡；根據(jù)所述第二網(wǎng)絡輸出的預測數(shù)據(jù)和驗證樣本中的醫(yī)療標簽，確定驗證樣本對應的交叉熵損失量；根據(jù)所述驗證樣本對應的交叉熵損失量，從所述醫(yī)療預后預測模型在訓練過程中得到的多組收斂參數(shù)中選取所述醫(yī)療預后預測模型的最優(yōu)參數(shù)。8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述醫(yī)療預后預測模型中的第一網(wǎng)絡為卷積神經(jīng)網(wǎng)絡，且所述醫(yī)療預后預測模型中的第二網(wǎng)絡為遞歸神經(jīng)網(wǎng)絡。獲取模塊，用于獲取包括目標區(qū)域的三維醫(yī)療影像；輸入模塊，用于將所述三維醫(yī)療影像輸入醫(yī)療預后預測模型，通過所述醫(yī)療預后預測模型中的第一網(wǎng)絡對所述三維醫(yī)療影像的每一層進行特征提取，得到所述三維醫(yī)療影像對應的二維影像特征序列；所述輸入模塊，還用于將所述二維影像特征序列中的二維影像特征依次輸入所述醫(yī)療預后預測模型的第二網(wǎng)絡；處理模塊，用于以所述第二網(wǎng)絡輸出的預測數(shù)據(jù)作為所述目標區(qū)域的預后預測結(jié)果；所述以所述第二網(wǎng)絡輸出的預測數(shù)據(jù)作為所述目標區(qū)域的預后預測結(jié)果，包括：通過所述第二網(wǎng)絡對所述二維影像特征進行特征融合，得到影像融合特征；基于所述影像融合特征，生成所述目標區(qū)域的預測數(shù)據(jù)；以所述預測數(shù)據(jù)作為所述目標區(qū)域的預后預測結(jié)果。存儲器，用于存儲所述處理器的可執(zhí)行指令；其中，所述處理器配置為經(jīng)由執(zhí)行所述可執(zhí)行指令來執(zhí)行權(quán)利要求1至8中任一項所述的方法。11.一種計算機可讀存儲介質(zhì)，存儲有計算機程序，其特征在于，所述計算機程序被處4理器執(zhí)行時實現(xiàn)權(quán)利要求1至8中任一項所述方法的步驟。5技術(shù)領(lǐng)域[0001]本申請實施例涉及圖像處理技術(shù)領(lǐng)域，并且更具體地，涉及一種醫(yī)療影像處理方背景技術(shù)[0002]隨著多媒體技術(shù)的普及，人們在日常生活和生產(chǎn)活動中對圖像的使用越來越頻繁。醫(yī)療影像是圖像的一種，大多數(shù)醫(yī)療影像都是醫(yī)生在閱片之后就失去了利用價值，同時也需要存儲空間對醫(yī)療影像進行存儲，占用較多的存儲資源，醫(yī)療影像的再次利用是一項亟待解決的技術(shù)問題。發(fā)明內(nèi)容[0003]本申請?zhí)峁┝艘环N醫(yī)療影像處理方法、裝置、電子設備、芯片和計算機可讀存儲介質(zhì)，通過對醫(yī)療影像的處理，促進了醫(yī)療影像的再次利用，在能夠提高醫(yī)療影像利用率的同時，也能夠基于對醫(yī)療影像的進一步分析，提高了疾病預后預測的準確性，從而輔助醫(yī)生制定治療方案，且增加了臨床落地可行性。[0004]本申請的其他特性和優(yōu)點將通過下面的詳細描述變得顯然，或部分地通過本申請的實踐而習得。[0006]獲取包括目標區(qū)域的三維醫(yī)療影像；[0007]將三維醫(yī)療影像輸入醫(yī)療預后預測模型，通過醫(yī)療預后預測模型中的第一網(wǎng)絡對三維醫(yī)療影像的每一層進行特征提取，得到三維醫(yī)療影像對應的二維影像特征序列；[0008]將二維影像特征序列中的二維影像特征依次輸入醫(yī)療預后預測模型的第二網(wǎng)絡；[0009]以第二網(wǎng)絡輸出的預測數(shù)據(jù)作為目標區(qū)域的預后預測結(jié)果。[0011]獲取模塊，用于獲取包括目標區(qū)域的三維醫(yī)療[0012]輸入模塊，用于將三維醫(yī)療影像輸入醫(yī)療預后預測模型，通過醫(yī)療預后預測模型中的第一網(wǎng)絡對三維醫(yī)療影像的每一層進行特征提取，得到三維醫(yī)療影像對應的二維影像特征序列；[0013]輸入模塊，還用于將二維影像特征序列中的二維影像特征依次輸入醫(yī)療預后預測模型的第二網(wǎng)絡；[0014]處理模塊，用于以第二網(wǎng)絡輸出的預測數(shù)據(jù)作為目標區(qū)域的預后預測結(jié)果。[0015]根據(jù)本申請的一方面，提供了一種電子設備，包括：處理器和存儲器，該存儲器用于存儲計算機程序，該處理器用于調(diào)用并運行該存儲器中存儲的計算機程序，執(zhí)行上述醫(yī)療影像處理方法的步驟。[0016]根據(jù)本申請的一方面，提供了一種芯片，包括：處理器，用于從存儲器中調(diào)用并運行計算機程序，使得該處理器執(zhí)行上述醫(yī)療影像處理方法的步驟。6[0017]根據(jù)本申請的一方面，提供了一種計算機可讀存儲介質(zhì)，用于存儲計算機程序，該計算機程序使得計算機執(zhí)行上述醫(yī)療影像處理方法的步驟。[0018]基于上述技術(shù)方案，可以通過醫(yī)療預后預測模型中的第一網(wǎng)絡對三維醫(yī)療影像的每一層進行特征提取，得到三維醫(yī)療影像對應的二維影像特征序列；將二維影像特征序列中的二維影像特征依次輸入醫(yī)療預后預測模型的第二網(wǎng)絡；以第二網(wǎng)絡輸出的預測數(shù)據(jù)作為目標區(qū)域的預后預測結(jié)果?；诘谝痪W(wǎng)絡可以將三維醫(yī)療影像切分為多層二維影像，并形成二維影像特征序列，基于第二網(wǎng)絡可以將依次輸入的二維影像特征序列中的二維影像特征進行融合，以及基于融合后的特征進行預測，從而促進了醫(yī)療影像的再次利用，在能夠提高醫(yī)療影像利用率的同時，也能夠基于對醫(yī)療影像的進一步分析，提高疾病預后預測的準確性。此外，可以利用來自不同醫(yī)院的大量數(shù)據(jù)訓練網(wǎng)絡模型，提高了基于醫(yī)療預后預測模型進行疾病預后預測的準確性，同時，從而輔助醫(yī)生制定治療方案，且增加了臨床落地可行性。[0019]本申請實施例的其他特性和優(yōu)點將通過下面的詳細描述變得顯然，或者部分通過本申請的實踐而習得。[0020]應理解，以上的一般描述和后文的細節(jié)描述僅是示例性的，并不對本申請構(gòu)成限附圖說明[0021]此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本申請的實施例，并與說明書一起用于解釋本申請的原理。顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0022]圖1示意性示出了根據(jù)本申請的一個實施例中提供的醫(yī)療影像處理方法的應用場[0023]圖2示意性示出了根據(jù)本申請的一實施例的醫(yī)療影像處理方法的流程圖；[0024]圖3示意性示出了根據(jù)本申請的一實施例的醫(yī)療預后預測模型的訓練方法的流程[0025]圖4示意性示出了根據(jù)本申請的一實施例的醫(yī)療預后預測模型的示意性圖；[0026]圖5示意性示出了根據(jù)本申請的一實施例的醫(yī)療影像處理裝置的框圖；[0027]圖6示出了適于用來實現(xiàn)本申請實施例的電子設備的計算機系統(tǒng)的結(jié)構(gòu)示意圖。具體實施方式[0028]現(xiàn)在將參考附圖更全面地描述示例實施方式。然而，示例實施方式能夠以多種形式實施，且不應被理解為限于在此闡述的范例；相反，提供這些示例實施方式使得本申請的描述將更加全面的完整，并將示例實施方式的構(gòu)思全面地傳達給本領(lǐng)域的技術(shù)人員。附圖為本申請的示意性圖解，并非一定是按比例繪制。圖中相同的附圖標記表示相同或類似的部分，因而將省略對它們的重復描述。[0029]此外，所描述的特征、結(jié)構(gòu)或特性可以以任何合適的方式結(jié)合在一個或更多示例實施方式中。在下面的描述中，提供許多具體細節(jié)從而給出對本申請的示例實施方式的充7分理解。然而，本領(lǐng)域技術(shù)人員將意識到，可以實踐本申請的技術(shù)方案而省略特定細節(jié)中的知結(jié)構(gòu)、方法、實現(xiàn)或者操作以避免喧賓奪主而使得本申請的各方面變得模糊。[0030]附圖中所示的一些方框圖是功能實體，不一定必須與物理或邏輯上獨立的實體相對應?？梢圆捎密浖问絹韺崿F(xiàn)這些功能實體，或在一個或多個硬件模塊或集成電路中實現(xiàn)這些功能實體，或在不同網(wǎng)絡、處理器裝置或者微控制裝置中現(xiàn)實這些功能實體。[0031]隨著人工智能技術(shù)研究和進步，人工智能技術(shù)在多個領(lǐng)域展開研究和應用，例如到應用，并發(fā)揮越來越重要的價值。本申請可以基于人工智能技術(shù)進行多說話人場景識別以及多說話人場景識別網(wǎng)絡訓練。[0032]人工智能(ArtificialIntelligence,AI)是利用數(shù)字計算機或者數(shù)字計算機控制的機器模擬、延伸和擴展人的智能，感知環(huán)境、獲取知識并使用知識獲得最佳結(jié)果的理智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應的智能機器。人工智能也就是研究各種智能機器的設計原理與實現(xiàn)方法，使機器具有感知、推理與決策的功能，也即使機器具有學習能力。計學、逼近論、凸分析、算法復雜度理論等多門科學。專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。機器學習是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領(lǐng)域。機器學習和深度學習通常包括人工神經(jīng)網(wǎng)絡(如卷積神經(jīng)網(wǎng)絡)、置信網(wǎng)絡、強化學[0034]人工智能結(jié)合云服務，也可以實現(xiàn)人工智能云服務，一般也被稱作是AI即服務(AIasaService,AIaaS)。這是目前主流的一種人工智能平臺的服務方式，具體來說AIaaS平臺會把幾類常見的AI服務進行拆分，并在云端提供獨立或者打包的服務。這種服務模式類似于開了一個AI主題商城：所有的開發(fā)者都可以通過應用程序接口(ApplicationProgrammingInterface,API)接口的方式來接入使用平臺提供的一種或者是多種人工智能服務，部分資深的開發(fā)者還可以使用平臺提供的AI框架和AI基礎設施來部署和運維自已專屬的云人工智能服務。[0035]圖1為一個實施例中提供的醫(yī)療影像處理方法的應用場景圖，如圖1所示，在該應[0036]在一些實現(xiàn)方式中，可以通過服務器120對醫(yī)療預后預測模型(第一網(wǎng)絡和第二網(wǎng)絡)進行訓練。服務器120獲取到訓練好的醫(yī)療預后預測模型后，可以將其部署在圖像處理應用中，終端110可以安裝該圖像處理應用，當終端110獲取得到包括目標區(qū)域的三維醫(yī)療影像之后，用戶可以通過相應的操作發(fā)出圖像處理指令，終端110可以接收圖像處理指令，將獲取的包括目標區(qū)域的三維醫(yī)療影像作為待處理圖像進行圖像處理，得到目標區(qū)域的預后預測結(jié)果。例如，在目標區(qū)域為腦出血區(qū)域的情況下，目標區(qū)域的預后預測結(jié)果可以是腦出血預后預測結(jié)果(例如，0代表腦出血區(qū)域的出血擴大，1代表腦出血區(qū)域的出血不擴大；8或反之)。在目標區(qū)域為反映其他類型的疾病的區(qū)域時，目標區(qū)域的預后預測結(jié)果也類似，在此不再贅述。[0037]上述圖像處理應用可以是疾病治療或預防類應用程序，該疾病治療或預防類應用查詢等功能。[0038]在另一些實現(xiàn)方式中，可以通過終端110對醫(yī)療預后預測模型(第一網(wǎng)絡和第二網(wǎng)絡)進行訓練。當終端110獲取得到包括目標區(qū)域的三維醫(yī)療影像之后，用戶可以通過相應的操作發(fā)出圖像處理指令，終端110可以接收圖像處理指令，將獲取的包括目標區(qū)域的三維醫(yī)療影像作為待處理圖像進行圖像處理，得到目標區(qū)域的預后預測結(jié)果。例如，在目標區(qū)域為腦出血區(qū)域的情況下，目標區(qū)域的預后預測結(jié)果可以是腦出血預后預測結(jié)果(例如，0代表腦出血區(qū)域的出血擴大，1代表腦出血區(qū)域的出血不擴大；或反之)。[0039]可以理解，上述應用場景僅是一個示例，并不能構(gòu)成對本申請實施例提供的醫(yī)療影像處理方法的限制。例如，訓練好的醫(yī)療預后預測模型(第一網(wǎng)絡和第二網(wǎng)絡)可以存儲在服務器120中，服務器120可以接收終端110發(fā)送的包括目標區(qū)域的三維醫(yī)療影像，對包括目標區(qū)域的三維醫(yī)療影像進行圖像處理得到目標區(qū)域的預后預測結(jié)果后返回到終端110[0040]其中，上述包括目標區(qū)域的三維醫(yī)療影像可以是電腦斷層掃描(ComputedTomography,CT)影像、核磁共振成像(Nuclearmagneticresonanceimaging,NMRI)影像等三維醫(yī)療影像。[0041]服務器120可以是獨立的物理服務器，也可以是多個物理服務器構(gòu)成的服務器集以及大數(shù)據(jù)和人工智能平臺等基礎云計算服務的云服務器。終端110可以是智能手機、平板務器120可以通過有線或者無線通信方式進行直接或間接地連接，本申請對此并不限定。[0042]在一些實施例中，目標區(qū)域包括以下之一：癌變區(qū)域。[0044]為便于更好的理解本申請實施例，對腦出血進行說明。[0045]腦出血(cerebralhemorrhage)是指非外傷性腦實質(zhì)內(nèi)血管破裂引起的出血，發(fā)相關(guān)。腦出血的患者往往由于情緒激動、費勁用力時突然發(fā)病，早期死亡率很高，幸存者中多數(shù)留有不同程度的運動障礙、認知障礙、言語吞咽障礙等后遺癥。[0046]對于腦出血，顱腦CT掃描可顯示出血部位、出血量大小、血腫形態(tài)、是否破入腦室以及血腫周圍有無低密度水腫帶和占位效應等。病灶多呈圓形或卵圓形均勻高密度區(qū)，邊界清楚，腦室大量積血時多呈高密度鑄型，腦室擴大。1后呈低密度或囊性變。動態(tài)CT檢查還可評價出血的進展情況。[0047]為便于更好的理解本申請實施例，對ROI區(qū)域進行說明。[0048]對于感興趣區(qū)域(regionofinterest,ROI)區(qū)域，就是從圖像中選擇一個圖像區(qū)9域，這個區(qū)域就是圖像分析所關(guān)注的焦點。通過圈定ROI區(qū)域，那么要處理的圖像就從大圖像變?yōu)橐粋€小圖像區(qū)域了，這樣以便進行進一步處理，可以大大減小處理時間。[0049]為便于更好的理解本申請實施例，對疾病預后預測進行說明。[0050]疾病預后是指疾病發(fā)生后，對疾病未來發(fā)展的病程和結(jié)局(痊愈、復發(fā)、惡化、致殘、并發(fā)癥和死亡等)的預測。疾病預后可以利用多種信息，例如臨床觀的影像信息等。在臨床上，醫(yī)學影像中包含的大量信息給疾病預后提供了重要的依據(jù)。[0051]現(xiàn)階段，針對某一特定問題，需要進行區(qū)域分割、特征提取與模型建立三大步驟。區(qū)域分割即進行感興趣區(qū)域(ROI)標注，通常我們只關(guān)注影像中某些部位的特征，而不是整個影像，所以需要先分割出感興趣區(qū)域。然后提取感興趣區(qū)域的特征，之后再進行特征篩選，最終對篩選后的特征進行簡單的線性回歸或者邏輯回歸模型建模。特征篩選的方法，是逐一判斷每個特征在正負樣本上的分布是否具有顯著性差異。確率有限，因為采用的線性回歸模型較為簡單，不能處理各個特征之間復雜、高維的關(guān)系，可能無法較好擬合訓練數(shù)據(jù)，出現(xiàn)模型欠擬合。[0053]為了提高疾病預后預測的效率和準確性，本申請?zhí)岢隽艘环N醫(yī)療影像處理方案，可以高效、高質(zhì)量的開發(fā)醫(yī)療預后預測模型，可以通過醫(yī)療預后預測模型中的第一網(wǎng)絡對三維醫(yī)療影像的每一層進行特征提取，得到三維醫(yī)療影像對應的二維影像特征序列；將二維影像特征序列中的二維影像特征依次輸入醫(yī)療預后預測模型的第二網(wǎng)絡；以第二網(wǎng)絡輸出的預測數(shù)據(jù)作為目標區(qū)域的預后預測結(jié)果?；诘谝痪W(wǎng)絡可以將三維醫(yī)療影像切分為多層二維影像，并形成二維影像特征序列，基于第二網(wǎng)絡可以將依次輸入的二維影像特征序列中的二維影像特征進行融合，以及基于融合后的特征進行預測，從而促進了醫(yī)療影像的再次利用，在能夠提高醫(yī)療影像利用率的同時，也能夠基于對醫(yī)療影像的進一步分析，提高疾病預后預測的準確性。此外，可以利用來自不同醫(yī)院的大量數(shù)據(jù)訓練網(wǎng)絡模型，提高了基于醫(yī)療預后預測模型進行疾病預后預測的準確性，同時，從而輔助醫(yī)生制定治療方案，且增加了臨床落地可行性。[0054]需要說明的是，本申請實施例主要以腦出血為例進行疾病的預后預測，即目標區(qū)域為腦出血區(qū)域，預測腦出血區(qū)域的出血是否擴大。當然，還可以基于本申請實施例的方案本申請實施例對此并不限定。[0055]下面對本申請實施例的具體實施過程進行詳細的描述。[0056]圖2示出了根據(jù)本申請的一個實施例的醫(yī)療影像處理方法200的示意性流程圖，該醫(yī)療影像處理方法200可以由具有計算處理能力的設備來執(zhí)行，例如，上述終端110或服務器120。參照圖2所示，該醫(yī)療影像處理方法200至少可以包括S210至S240,詳細介紹如下：[0057]在S210中，獲取包括目標區(qū)域的三維醫(yī)療影像。[0058]在一些實施例中，目標區(qū)域包括但不限于以下之一：癌變區(qū)域。[0060]具體的，包括目標區(qū)域的三維醫(yī)療影像可以是患者在術(shù)前和/或術(shù)后拍攝的反映患者病灶的一張或多張三維影像。[0061]例如，在目標區(qū)域為腦出血區(qū)域的情況下，上述三維醫(yī)療影像可以是腦出血患者在術(shù)前和/或術(shù)后拍攝的反映腦出血病灶的一張或多張三維影像。[0062]需要說明的是，本申請對目標區(qū)域的大小、尺寸、形狀，以及在三維醫(yī)療影像中的位置等參數(shù)不作限定，目標區(qū)域可以根據(jù)實際需求靈活設置。[0063]在一些實施例中，上述三維醫(yī)療影像可以包括但不限于以下之一：[0064]計算機斷層掃描(ComputedTomography,CT)影像、核磁共振成像(Nuclearmagneticresonanceimaging,NMRI)影像、正子發(fā)射斷層掃描(Positronemissiontomography,PET)影像、醫(yī)學超音波檢查(Medicalultrasonography)影像、正子發(fā)射電腦斷層掃描(Positronemissiontomogr像、單一光子發(fā)射電腦斷層掃描(Singlephotonemissioncomputedtomographywith繞人體的某一部位作一個接一個的斷面掃描，具有掃描時間快，圖像清晰等特點，可用于多種疾病的檢查。[0066]核磁共振成像：是利用核磁共振原理，依據(jù)所釋放的能量在物質(zhì)內(nèi)部不同結(jié)構(gòu)環(huán)境中不同的衰減，通過外加梯度磁場檢測所發(fā)射出的電磁波，即可得知構(gòu)成這一物體原子核的位置和種類，據(jù)此可以繪制成物體內(nèi)部的結(jié)構(gòu)圖像。核磁共振成像采用靜磁場和射頻磁場使人體組織成像，在成像過程中，既不用電子離輻射、也不用造影劑就可獲得高對比度的清晰圖像。核磁共振成像能夠從人體分子內(nèi)部反映出人體器官失常和早期病變。[0067]在S220中，將三維醫(yī)療影像輸入醫(yī)療預后預測模型，通過醫(yī)療預后預測模型中的第一網(wǎng)絡對三維醫(yī)療影像的每一層進行特征提取，得到三維醫(yī)療影像對應的二維影像特征序列。[0068]需要說明的是，醫(yī)療預后預測模型可以是預先訓練好的，即醫(yī)療預后預測模型的模型參數(shù)已處于最優(yōu)的狀態(tài)。[0069]具體的，醫(yī)療預后預測模型中的第一網(wǎng)絡可以將三維醫(yī)療影像拆解為一系列二維影像切片，以及對三維醫(yī)療影像的每一層(二維影像切片)進行特征提取，得到三維醫(yī)療影像對應的二維影像特征序列。[0070]本申請實施例對每一層所提取的特征的具體形式不作限定，可以根據(jù)實際需求靈活選取。此外，本申請實施例對三維醫(yī)療影像具體拆解的層數(shù)不作限定，可以根據(jù)實際需求靈活選取。[0071]例如，腦部CT有10層，每層可以通過醫(yī)療預后預測模型中的第一網(wǎng)絡提取一個2048維度的特征。[0072]在S230中，將二維影像特征序列中的二維影像特征依次輸入醫(yī)療預后預測模型的第二網(wǎng)絡。[0073]在S240中，以第二網(wǎng)絡輸出的預測數(shù)據(jù)作為目標區(qū)域的預后預測結(jié)果。[0074]具體的，醫(yī)療預后預測模型的第二網(wǎng)絡具有對序列輸入的記憶能力，并在序列輸入完成之后，進行輸出，此時的輸出結(jié)果即代表對整個序列的預測。[0075]在一些實施例中，醫(yī)療預后預測模型的第二網(wǎng)絡可以將依次輸入的二維影像特征11序列中的二維影像特征進行融合，以及基于融合之后的特征進行預測。也即，上述預測數(shù)據(jù)是基于二維影像特征序列中的二維影像特征融合之后的特征確定的。[0076]在一些實施例中，可以通過第二網(wǎng)絡對二維影像特征進行特征融合，得到影像融合特征；基于影像融合特征，生成目標區(qū)域的預測數(shù)據(jù)；以及以該預測數(shù)據(jù)作為目標區(qū)域的預后預測結(jié)果。[0077]也即，第二網(wǎng)絡可以對依次輸入的二維影像特征序列中的二維影像特征進行融合，得到影像融合特征，以及基于影像融合特[0078]在一些實施例中，第一網(wǎng)絡為卷積神經(jīng)網(wǎng)絡(ConvolutionalNeuralNetworks,CNN),第二網(wǎng)絡為遞歸神經(jīng)網(wǎng)絡(RecurrentNeuralNetworks,RNN)。[0079]在一些實施例中，醫(yī)療預后預測模型輸出的預測數(shù)據(jù)可以是二分類結(jié)果。例如，在目標區(qū)域為腦出血區(qū)域的情況下，預測數(shù)據(jù)0代表出血擴大，預測數(shù)據(jù)1代表出血不擴大；或[0080]作為一個示例，將患者的腦部CT作為醫(yī)療預后預測模型的輸入，醫(yī)療預后預測模型中的CNN(第一網(wǎng)絡)可以提取腦部CT的每一層掃描圖像的特征，特征表現(xiàn)為向量形式，以ResNet50網(wǎng)絡為例，提取的腦部CT每一層特征為2048維向量。提取到的腦部CT單層特征將按順序輸入醫(yī)療預后預測模型中的RNN(第二網(wǎng)絡模型),RNN可以處理序列化的輸入，并且提取一個2048維度的特征。然后這10層特征需要按照順序輸入RNN,只取第10層特征輸入完成之后RNN輸出的值當做最后的預測值。RNN具有對序列輸入的記憶能力，選取序列輸入完成之后的RNN的輸出，就可以代表對整個輸入序列的預測，也就是說這個預測是針對整個腦部CT的。該預測值介于0和1之間，代表醫(yī)療預后預測模型對該患者腦出血的血腫是否會擴大的判斷，預測值越靠近0代表腦部血腫越不可能擴大，預測值越靠近1代表腦部血腫越可能擴大。從而給醫(yī)生制定治療方案提供參考。[0081]對于腦出血，預后預測就是預測患者的腦部出血體積是否繼續(xù)擴大，因為腦部出血體積是否繼續(xù)擴大與患者最終生存或恢復狀況有關(guān)，準確預測腦出血是否擴大，可以協(xié)助醫(yī)生及早發(fā)現(xiàn)存在出血擴大風險的病人，及早采取相應的治療，提高患者的生存狀況。[0082]因此，在本申請實施例中，可以通過醫(yī)療預后預測模型中的第一網(wǎng)絡對三維醫(yī)療影像的每一層進行特征提取，得到三維醫(yī)療影像對應的二維影像特征序列；將二維影像特征序列中的二維影像特征依次輸入醫(yī)療預后預測模型的第二網(wǎng)絡；以第二網(wǎng)絡輸出的預測數(shù)據(jù)作為目標區(qū)域的預后預測結(jié)果?；诘谝痪W(wǎng)絡可以將三維醫(yī)療影像切分為多層二維影像，并形成二維影像特征序列，基于第二網(wǎng)絡可以將依次輸入的二維影像特征序列中的二維影像特征進行融合，以及基于融合后的特征進行預測，從而促進了醫(yī)療影像的再次利用，在能夠提高醫(yī)療影像利用率的同時，也能夠基于對醫(yī)療影像的進一步分析，提高疾病預后預測的準確性。此外，可以利用來自不同醫(yī)院的大量數(shù)據(jù)訓練網(wǎng)絡模型，提高了基于醫(yī)療預后預測模型進行疾病預后預測的準確性，同時，從而輔助醫(yī)生制定治療方案，且增加了臨床落地可行性。[0083]圖3示出了根據(jù)本申請的一個實施例的醫(yī)療預后預測模型的訓練方法300的示意性流程圖，該醫(yī)療預后預測模型的訓練方法300可以由具有計算處理能力的設備來執(zhí)行，例如，上述終端110或服務器120.參照圖3所示，該醫(yī)療預后預測模型的訓練方法300至少可以包括S310至S320,詳細介紹如下：[0084]S310中，獲取訓練樣本集，該訓練樣本集中的各個訓練樣本包含包括目標區(qū)域的三維醫(yī)療影像以及配對的醫(yī)療標簽。[0085]在一些實施例中，目標區(qū)域包括但不限于以下之一：癌變區(qū)域。[0087]具體的，訓練樣本中包括目標區(qū)域的三維醫(yī)療影像可以是患者在術(shù)前和/或術(shù)后拍攝的反映患者病灶的一張或多張三維影像。[0088]例如，在目標區(qū)域為腦出血區(qū)域的情況下，上述訓練樣本中包括的三維醫(yī)療影像可以是腦出血患者在術(shù)前和/或術(shù)后拍攝的反映腦出血病灶的一張或多張三維影像。[0089]需要說明的是，本申請對目標區(qū)域的大小、尺寸、形狀，以及在三維醫(yī)療影像中的位置等參數(shù)不作限定，目標區(qū)域可以根據(jù)實際需求靈活設置。[0090]在一些實施例中，上述訓練樣本中包括的三維醫(yī)療影像可以包括但不限于以下之[0091]計算機斷層掃描(CT)影像、核磁共振成像(NMRI)影像、正子發(fā)射斷層掃描(PET)影像、醫(yī)學超音波檢查(Medicalultrasonography)影像、正子發(fā)射電腦斷層掃描(PET/CT)影像、單一光子發(fā)射電腦斷層掃描(SPECT/CT)影像。繞人體的某一部位作一個接一個的斷面掃描，具有掃描時間快，圖像清晰等特點，可用于多種疾病的檢查。[0093]核磁共振成像：是利用核磁共振原理，依據(jù)所釋放的能量在物質(zhì)內(nèi)部不同結(jié)構(gòu)環(huán)境中不同的衰減，通過外加梯度磁場檢測所發(fā)射出的電磁波，即可得知構(gòu)成這一物體原子核的位置和種類，據(jù)此可以繪制成物體內(nèi)部的結(jié)構(gòu)圖像。核磁共振成像采用靜磁場和射頻磁場使人體組織成像，在成像過程中，既不用電子離輻射、也不用造影劑就可獲得高對比度的清晰圖像。核磁共振成像能夠從人體分子內(nèi)部反映出人體器官失常和早期病變。[0094]上述訓練樣本集中訓練樣本的數(shù)量可以根據(jù)需求設置。例如，若模型訓練時需要訓練40次，每次利用5000個訓練樣本進行訓練，則訓練樣本集中可以包括5000個訓練樣本，每次模型訓練時利用這5000個訓練樣本進行訓練。包括目標區(qū)域的三維醫(yī)療影像以及配對的醫(yī)療標簽是指：包括目標區(qū)域的三維醫(yī)療影像是需要進行預測的圖像，而醫(yī)療標簽是利用醫(yī)療預后預測模型對包括目標區(qū)域的三維醫(yī)療影像進行預測之后所期望得到的預測結(jié)[0095]模型訓練的目標是得到更好的模型參數(shù)，以提高預測的效果。在進行訓練時，將包括目標區(qū)域的三維醫(yī)療影像輸入到醫(yī)療預后預測模型中，然后根據(jù)醫(yī)療預后預測模型輸出的預測結(jié)果與包括目標區(qū)域的三維醫(yī)療影像對應的醫(yī)療標簽的差異調(diào)整模型參數(shù)，使得根據(jù)調(diào)整后的模型參數(shù)進行預測得到的預測結(jié)果征越來越接近包括目標區(qū)域的三維醫(yī)療影像對應的醫(yī)療標簽，直至滿足模型收斂條件，并最終得到訓練好的醫(yī)療預后預測模型。[0096]需要說明的是，上述訓練樣本集中的包括目標區(qū)域的三維醫(yī)療影像可以來自不同[0097]在一些實施例中，獲取多個原始的包括目標區(qū)域的三維醫(yī)療影像和第二圖像處理CN113724187B說明書9/17頁種；隨機采用該第二圖像處理方式所包括的處理方式中的一種或多種對多個原始的包括目標區(qū)域的三維醫(yī)療影像中的部分或全部進行處理，得到至少一個增強的包括目標區(qū)域的三維醫(yī)療影像；將該多個原始的包括目標區(qū)域的三維醫(yī)療影像和該至少一個增強的包括目標區(qū)域的三維醫(yī)療影像作為訓練樣本，形成上述訓練樣本集。從而，增加了樣本的多樣性，提升了網(wǎng)絡模型的訓練效果。[0098]具體的，訓練樣本集既可以包括多個原始的包括目標區(qū)域的三維醫(yī)療影像，又可以包括至少一個增強的包括目標區(qū)域的三維醫(yī)療影像。也即，上述訓練樣本集所包括的訓練樣本的數(shù)量可以大于多個原始的包括目標區(qū)域的三維醫(yī)療影像的數(shù)量。[0099]由于醫(yī)療影像數(shù)據(jù)較難獲取，可用數(shù)據(jù)的數(shù)量較少，如果僅使用原始數(shù)據(jù)作為訓練樣本進行訓練，可能會出現(xiàn)醫(yī)療預后預測模型過擬合。為了訓練出泛化能力更好的醫(yī)療預后預測模型，需要對原始數(shù)據(jù)進行一些變換，以得到訓練樣本集。本申請中可以隨機采用裁剪、翻轉(zhuǎn)、平移、縮放、旋轉(zhuǎn)中的一種或多種對多個原始的包括目標區(qū)域的三維醫(yī)療影像進行處理，得到上述訓練樣本集。對原始的包括目標區(qū)域的三維醫(yī)療影像進行了數(shù)據(jù)增強，增加了樣本的多樣性，提升了網(wǎng)絡模型的訓練效果。[0100]需要說明的是，在獲取訓練樣本集的過程中，對包括目標區(qū)域的三維醫(yī)療影像的裁剪大小、形狀等裁剪參數(shù)可以根據(jù)需求靈活設置，對包括目標區(qū)域的三維醫(yī)療影像的翻轉(zhuǎn)角度等翻轉(zhuǎn)參數(shù)可以根據(jù)需求靈活設置，對包括目標區(qū)域的三維醫(yī)療影像的平移距離等平移參數(shù)可以根據(jù)需求靈活設置，對包括目標區(qū)域的三維醫(yī)療影像的縮放比例等縮放參數(shù)可以根據(jù)需求靈活設置，對包括目標區(qū)域的三維醫(yī)療影像的旋轉(zhuǎn)角度等旋轉(zhuǎn)參數(shù)可以根據(jù)需求靈活設置，本申請對此并不限定。[0101]在S220中，根據(jù)訓練樣本集對醫(yī)療預后預測模型進行訓練；[0102]其中，在訓練過程中，第一網(wǎng)絡對訓練樣本中的三維醫(yī)療影像的每一層進行特征提取，得到訓練樣本中的三維醫(yī)療影像對應的二維影像特征序列，以及將二維影像特征序列中的二維影像特征依次輸入第二網(wǎng)絡；第二網(wǎng)絡將二維影像特征序列中的二維影像特征融合，以及根據(jù)融合之后的特征進行預測。[0103]在一些實施例中，第一網(wǎng)絡為卷積神經(jīng)網(wǎng)絡(CNN),且第二網(wǎng)絡為遞歸神經(jīng)網(wǎng)絡[0105]VggNet探索了卷積神經(jīng)網(wǎng)絡的深度和其性能之間的關(guān)系，通過反復的堆疊3*3的小型卷積核和2*2的最大池化層，成功的構(gòu)建了16～19層深的卷積神經(jīng)網(wǎng)絡。VggNet把網(wǎng)絡分成了5段，每段都把多個3*3的卷積網(wǎng)絡串聯(lián)在一起，每段卷積后面接一個最大池化層，最后面是3個全連接層和一個softmax層。Softmax算法：將一個含任意實數(shù)的K維向量Z“壓縮”到另一個K維實向量f(Z)中，使得每一個元素的范圍都在(0,1)之間，并且所有元素的和為1.其中，e;表示第i個位置為1其余位置為0的單位向量。[0106]殘差網(wǎng)絡(ResNet)的特點是容易優(yōu)化，并且能夠通過增加相當?shù)纳疃葋硖岣邷蚀_率。其內(nèi)部的殘差塊使用了跳躍連接，緩解了在深度神經(jīng)網(wǎng)絡中增加深度帶來的梯度消失問題。[0107]密集網(wǎng)絡(DenseNet)可以對輸入進行連接(concatenate,cat)操作，一個直觀的影響就是每一層學到的特征圖(featuremap)都能被之后所有層直接使用，這使得特征可以在整個網(wǎng)絡中重用，也使得模型更加簡潔。DenseNet的一個優(yōu)點是網(wǎng)絡更窄，參數(shù)更少，很大一部分原因得益于這種密度模塊(denseblock)的設計，denseblock中每個卷積層的輸出特征圖(featuremap)的數(shù)量都很小(小于100),而不是像其他網(wǎng)絡一樣動不動就幾百上千的寬度。同時這種連接方式使得特征和梯度的傳遞更加有效，網(wǎng)絡也就更加容易訓練。DenseNet相當于每一層都直接連接輸入(input)和損失(loss),因此可以減輕梯度消失現(xiàn)[0108]例如，第二網(wǎng)絡為長短期記憶網(wǎng)絡(LongShort-TermMemory,LSTM),GRU等遞歸神經(jīng)網(wǎng)絡。[0109]長短期記憶網(wǎng)絡(LSTM)是一種時間循環(huán)神經(jīng)網(wǎng)絡，是為了解決一般的RNN(循環(huán)神經(jīng)網(wǎng)絡)存在的長期依賴問題而專門設計出來的，所有的RNN都具有一種重復神經(jīng)網(wǎng)絡模塊的鏈式形式。上，這兩個門控向量決定了哪些信息最終能作為門控循環(huán)單元的輸出。這兩個門控機制的特殊之處在于，它們能夠保存長期序列中的信息，且不會隨時間而清除或因為與預測不相關(guān)而移除。[0111]在本申請實施例中，根據(jù)需求的不同，第一網(wǎng)絡模型(CNN模型)和第二網(wǎng)絡模型(RNN模型)可以采用不同的具體實現(xiàn)方式，靈活性更強。[0112]具體地，在訓練過程中，第一網(wǎng)絡將輸入的包含包括目標區(qū)域的三維醫(yī)療影像拆解為一系列二維影像切片進行處理。先采用2D卷積神經(jīng)網(wǎng)絡(例如VggNet,ResNet,DenseNet等)從包含包括目標區(qū)域的三維醫(yī)療影像中提取一系列二維影像切片的特征序列。接著使用遞歸神經(jīng)網(wǎng)絡(例如LSTM,GRU等)對依次輸入的二維影像特征的特征向量做融合，以及根據(jù)融合后的特征輸出預測數(shù)據(jù)。遞歸神經(jīng)網(wǎng)絡可以很好的處理序列輸入，將其整合(即融合)后再輸出一個最終特征(融合后的特征)。[0113]在一些實施例中，上述醫(yī)療預后預測模型可以是端到端模型，由輸入得到輸出的過程中不需要有額外的操作。通過縮減人工預處理和后續(xù)處理，盡可能使模型從原始輸入到最終輸出，給模型更多可以根據(jù)數(shù)據(jù)自動調(diào)節(jié)的空間，增加模型的整體契合度。[0114]在一些實施例中，獲取第一圖像處理方式的參數(shù)信息，其中，第一圖像處理方式包式中的一種或多種對訓練樣本中的三維醫(yī)療影像進行處理，得到增強的訓練樣本集；以及根據(jù)增強的訓練樣本集對醫(yī)療預后預測模型進行訓練。[0115]在一些實施例中，在根據(jù)訓練樣本集對醫(yī)療預后預測模型進行訓練之前，隨機采從而，增加了訓練樣本集中的三維醫(yī)療影像的多樣性，提升了網(wǎng)絡模型的訓練效果。[0116]由于醫(yī)療影像數(shù)據(jù)較難獲取，可用數(shù)據(jù)的數(shù)量較少，如果僅使用訓練樣本集中的三維醫(yī)療影像作為醫(yī)療預后預測模型的輸入進行訓練，可能會出現(xiàn)醫(yī)療預后預測模型過擬合。為了訓練出泛化能力更好的醫(yī)療預后預測模型，需要對訓練樣本集中的三維醫(yī)療影像進行一些變換，以增加訓練樣本集中的三維醫(yī)療影像的多樣性。本申請中在將三維醫(yī)療影本集中的三維醫(yī)療影像進行處理，增加了訓練樣本集中的三維醫(yī)療影像的多樣性，提升了網(wǎng)絡模型的訓練效果。[0117]需要說明的是，對訓練樣本集中的三維醫(yī)療影像的裁剪大小、形狀等裁剪參數(shù)可以根據(jù)需求靈活設置，對訓練樣本集中的三維醫(yī)療影像的翻轉(zhuǎn)角度等翻轉(zhuǎn)參數(shù)可以根據(jù)需求靈活設置，對訓練樣本集中的三維醫(yī)療影像的平移距離等平移參數(shù)可以根據(jù)需求靈活設置，對訓練樣本集中的三維醫(yī)療影像的縮放比例等縮放參數(shù)可以根據(jù)需求靈活設置，對訓練樣本集中的三維醫(yī)療影像的旋轉(zhuǎn)角度等旋轉(zhuǎn)參數(shù)可以根據(jù)需求靈活設置，本申請對此并不限定。[0118]在一些實施例中，在模型訓練之前，使用隨機初始化方法對第一網(wǎng)絡和/或第二網(wǎng)絡的模型參數(shù)進行初始化。[0119]在一些實施例中，從數(shù)據(jù)庫讀取第一預設值和/或第二預設值；使用第一預設值作為第一網(wǎng)絡的初始參數(shù)，和/或，使用第二預設值作為第二網(wǎng)絡的初始參數(shù)。[0120]在一些實施例中，從第一網(wǎng)絡在其它圖像處理任務的訓練中獲取上述第一預設值，和/或，從第二網(wǎng)絡在其它圖像處理任務的訓練中獲取上述第二預第一網(wǎng)絡在其他醫(yī)學圖像處理任務上訓練的網(wǎng)絡參數(shù)，作為第一網(wǎng)絡的初始參數(shù)，從而加速模型收斂速率。同理，第二網(wǎng)絡的收斂參數(shù)可以從第二網(wǎng)絡在其它圖像處理任務的訓練中獲取。也即，可以使用第二網(wǎng)絡在其他醫(yī)學圖像處理任務上訓練的網(wǎng)絡參數(shù)，作為第二網(wǎng)絡的初始參數(shù)，從而加速模型收斂速率。[0121]在一些實施例中，采用交叉熵損失函數(shù)和自適應梯度下降算法對醫(yī)療預后預測模型的模型參數(shù)進行優(yōu)化。當然，也可以使用其他方式對醫(yī)療預后預測模型的模型參數(shù)進行[0122]在一些實施例中，根據(jù)醫(yī)療預后預測模型輸出的預測數(shù)據(jù)和醫(yī)療標簽，確定交叉熵損失量；以及根據(jù)交叉熵損失量，采用自適應梯度下降算法對醫(yī)療預后預測模型中的第一網(wǎng)絡和第二網(wǎng)絡的模型參數(shù)進行優(yōu)化。[0123]交叉熵能夠衡量同一個隨機變量中的兩個不同概率分布的差異程度，在機器學習中就表示為真實概率分布與預測概率分布之間的差異。交叉熵的值越小，模型預測效果就越好。[0124]自適應梯度下降算法例如可以是Adam算法，使用動量和自適應學習率來加快收斂[0125];在一些實施例中，可以對基于訓練樣本訓練的醫(yī)療預后預測模型進行驗證，以獲取醫(yī)療預后預測模型的最優(yōu)參數(shù)。驗證過程具體可以包括：[0126]獲取驗證樣本集，驗證樣本集中的各個驗證樣本包含包括目標區(qū)域的三維醫(yī)療影像以及配對的醫(yī)療標簽；[0127]在醫(yī)療預后預測模型擬合訓練樣本的情況下，將驗證樣本中的三維醫(yī)療影像輸入醫(yī)療預后預測模型，通過第一網(wǎng)絡對驗證樣本中的三維醫(yī)療影像的每一層進行特征提取，得到驗證樣本中的三維醫(yī)療影像對應的二維影像特征序列，以及將二維影像特征序列中的二維影像特征依次輸入第二網(wǎng)絡；[0128]根據(jù)第二網(wǎng)絡輸出的預測數(shù)據(jù)和驗證樣本中的醫(yī)療標簽，確定驗證樣本對應的交叉熵損失量；以及根據(jù)驗證樣本對應的交叉熵損失量，從醫(yī)療預后預測模型在訓練過程中得到的多組收斂參數(shù)中選取醫(yī)療預后預測模型的最優(yōu)參數(shù)。[0129]驗證樣本集用于在訓練過程中，挑選出泛化性能最好的網(wǎng)絡模型參數(shù)，以提高預測的效果。在醫(yī)療預后預測模型經(jīng)過多次迭代后，擬合訓練樣本的情況下，可以將驗證樣本集中的包括目標區(qū)域的三維醫(yī)療影像輸入到醫(yī)療預后預測模型中，挑選出泛化性能最好的網(wǎng)絡模型參數(shù)。避免模型訓練中出現(xiàn)欠擬合或過擬合的情況，保證模型訓練的準確性。[0130]上述驗證樣本集中驗證樣本的數(shù)量可以根據(jù)需求設置。驗證樣本集中的包括目標區(qū)域的三維醫(yī)療影像以及配對的醫(yī)療標簽是指：目標區(qū)域的三維醫(yī)療影像是需要進行預測的圖像，而醫(yī)療標簽是利用醫(yī)療預后預測模型對包括目標區(qū)域的三維醫(yī)療影像進行預測之后所期望得到的預測結(jié)果。[0131]需要說明的是，驗證樣本集與訓練樣本集類似，驗證樣本集中的包括目標區(qū)域的三維醫(yī)療影像可以來自不同醫(yī)院的大量數(shù)據(jù)，也即，樣本更為豐富，提高了醫(yī)療預后預測模型的訓練效果。個原始的包括目標區(qū)域的三維醫(yī)療影像進行處理，得到上述驗證樣本集。從而，增加了樣本的多樣性，提升了網(wǎng)絡模型的訓練效果。[0133]由于醫(yī)療影像數(shù)據(jù)較難獲取，可用數(shù)據(jù)的數(shù)量較少，如果僅使用原始數(shù)據(jù)作為驗證樣本進行驗證，可能無法準確挑選出泛化性能最好的網(wǎng)絡模型參數(shù)。為了挑選出泛化能力更好的醫(yī)療預后預測模型，需要對原始數(shù)據(jù)進行一些變換，以得到驗證樣本集。本申請中可以隨機采用裁剪、翻轉(zhuǎn)、平移、縮放、旋轉(zhuǎn)中的一種或多種對多個原始的包括目標區(qū)域的三維醫(yī)療影像進行處理，得到上述驗證樣本集。對原始的包括目標區(qū)域的三維醫(yī)療影像進行了數(shù)據(jù)增強，增加了樣本的多樣性，提升了網(wǎng)絡模型的訓練效果。[0134]需要說明的是，在獲取驗證樣本集的過程中，對三維醫(yī)療影像的裁剪大小、形狀等裁剪參數(shù)可以根據(jù)需求靈活設置，對三維醫(yī)療影像的翻轉(zhuǎn)角度等翻轉(zhuǎn)參數(shù)可以根據(jù)需求靈活設置，對三維醫(yī)療影像的平移距離等平移參數(shù)可以根據(jù)需求靈活設置，對三維醫(yī)療影像的縮放比例等縮放參數(shù)可以根據(jù)需求靈活設置，對三維醫(yī)療影像的旋轉(zhuǎn)角度等旋轉(zhuǎn)參數(shù)可以根據(jù)需求靈活設置，本申請對此并不限定。[0135]在一些實施例中，驗證樣本集中的驗證樣本數(shù)量與訓練樣本集中的訓練樣本數(shù)量可以是以一定的比例設置的，例如，驗證樣本集中的驗證樣本數(shù)量與訓練樣本集中的訓練樣本數(shù)量可以是2:8的比例設置的。[0136]對于腦出血，預后預測就是預測患者的腦部出血體積是否繼續(xù)擴大，因為腦部出血體積是否繼續(xù)擴大與患者最終生存或恢復狀況有關(guān)，準確預測腦出血是否擴大，可以協(xié)助醫(yī)生及早發(fā)現(xiàn)存在出血擴大風險的病人，及早采取相應的治療，提高患者的生存狀況。[0137]例如，以腦出血為例，醫(yī)療預后預測模型輸出的預測數(shù)據(jù)可以是二分類結(jié)果，例[0138]在本申請實施例中，訓練樣本中包括目標區(qū)域的三維醫(yī)療影像與上述醫(yī)療影像處理方法200中的包括目標區(qū)域的三維醫(yī)療影像是針對相同疾病的醫(yī)療影像(即相同類型的目標區(qū)域)。例如，基于包括腦出血區(qū)域的三維醫(yī)療影像訓練的醫(yī)療預后預測模型，用于處理包括腦出血區(qū)域的三維醫(yī)療影像，以獲取針對腦出血區(qū)域的預后預測結(jié)果。[0139]在本申請實施例中，醫(yī)療預后預測模型的擬合能力較強，預測的準確率高，可以利用上來自不同醫(yī)院的大量數(shù)據(jù)，而不出現(xiàn)欠擬合，提高醫(yī)療預后預測模型預測的準確率。[0140]上述醫(yī)療預后預測模型，例如可以如圖4所示，醫(yī)療預后預測模型包括第一網(wǎng)絡和第二網(wǎng)絡。醫(yī)療預后預測模型的第一網(wǎng)絡可以包括多個CNN網(wǎng)絡，每個CNN網(wǎng)絡對應一個二維影像，也即，可以通過多個CNN網(wǎng)絡將包括目標區(qū)域的三維醫(yī)療影像切分為多層二維影像，對三維醫(yī)療影像的每一層進行特征提取，得到三維醫(yī)療影像對應的二維影像特征序列；將二維影像特征序列中的二維影像特征依次輸入醫(yī)療預后預測模型的第二網(wǎng)絡。第二網(wǎng)絡模型可以是RNN網(wǎng)絡，第二網(wǎng)絡將依次輸入的二維影像特征序列中的二維影像特征融合，并根據(jù)融合后的特征輸出預測數(shù)據(jù)。如圖4所示，可以基于預測數(shù)據(jù)和醫(yī)療標簽輸出交叉熵損失量，以及根據(jù)交叉熵損失量，采用自適應梯度下降算法對第一網(wǎng)絡和第二網(wǎng)絡的模型參數(shù)進行優(yōu)化。[0141]因此，在本申請實施例中，可以通過醫(yī)療預后預測模型中的第一網(wǎng)絡對三維醫(yī)療影像的每一層進行特征提取，得到三維醫(yī)療影像對應的二維影像特征序列；將二維影像特征序列中的二維影像特征依次輸入醫(yī)療預后預測模型的第二網(wǎng)絡；以第二網(wǎng)絡輸出的預測數(shù)據(jù)作為目標區(qū)域的預后預測結(jié)果?；诘谝痪W(wǎng)絡可以將三維醫(yī)療影像切分為多層二維影像，并形成二維影像特征序列，基于第二網(wǎng)絡可以將依次輸入的二維影像特征序列中的二維影像特征進行融合，以及基于融合后的特征進行預測，從而促進了醫(yī)療影像的再次利用，在能夠提高醫(yī)療影像利用率的同時，也能夠基于對醫(yī)療影像的進一步分析，提高疾病預后預測的準確性。此外，可以利用來自不同醫(yī)院的大量數(shù)據(jù)訓練網(wǎng)絡模型，提高了基于醫(yī)療預后預測模型進行疾病預后預測的準確性，同時，從而輔助醫(yī)生制定治療方案，且增加了臨床落地可行性。[0142]在本申請實施例中，疾病預測整體流程更為簡潔，測試階段不需要人工標注的ROI,使用更為方便，增加了臨床落地可行性。此外，也不需要進行特征提取、篩選等相關(guān)操[0143]在本申請實施例中，根據(jù)需求的不同，第一網(wǎng)絡(CNN模型)和第二網(wǎng)絡(RNN模型)可以采用不同的具體實現(xiàn)方式，靈活性更強。[0144]上文結(jié)合圖2至4,詳細描述了本申請的方法實施例，下文結(jié)合圖5,詳細描述本申請的裝置實施例，應理解，裝置實施例與方法實施例相互對應，類似的描述可以參照方法實施例。[0145]圖5示意性示出了根據(jù)本申請的一實施例的醫(yī)療影像處理裝置的框圖。該醫(yī)療影像處理裝置可以采用軟件單元或硬件單元，或者是二者的結(jié)合成為計算機設備的一部分。如圖5所示，本申請實施例提供的醫(yī)療影像處理裝置400具體可以包括：[0146]獲取模塊410,用于獲取包括目標區(qū)域的三維醫(yī)療影像；[0147]輸入模塊420,用于將三維醫(yī)療影像輸入醫(yī)療預后預測模型，通過該醫(yī)療預后預測模型中的第一網(wǎng)絡對該三維醫(yī)療影像的每一層進行特征提取，得到該三維醫(yī)療影像對應的二維影像特征序列；[0148]輸入模塊420,還用于將該二維影像特征序列中的二維影像特征依次輸入醫(yī)療預后預測模型的第二網(wǎng)絡；[0149]處理模塊430,用于以第二網(wǎng)絡輸出的預測數(shù)據(jù)作為目標區(qū)域的預后預測結(jié)果。[0150]在一個實施例中，處理模塊430,具體用于：[0151]通過第二網(wǎng)絡對二維影像特征進行特征融合，得到影像融合特征；[0153]以該預測數(shù)據(jù)作為目標區(qū)域的預后預測結(jié)果。[0154]在一個實施例中，獲取模塊410,還用于獲取訓練樣本集，該訓練樣本集中的各個訓練樣本包含包括目標區(qū)域的三維醫(yī)療影像以及配對的醫(yī)療標簽；[0155]處理模塊430,還用于根據(jù)訓練樣本集對醫(yī)療預后預測模型進行訓練；[0156]其中，在訓練過程中，第一網(wǎng)絡對訓練樣本中的三維醫(yī)療影像的每一層進行特征提取，得到訓練樣本中的三維醫(yī)療影像對應的二維影像特征序列，以及將二維影像特征序列中的二維影像特征依次輸入該第二網(wǎng)絡；第二網(wǎng)絡將二維影像特征序列中的二維影像特征融合，以及根據(jù)融合之后的特征進行預測。[0157]在一個實施例中，獲取模塊410,還用于獲取第一圖像處理方式的參數(shù)信息，其中，[0158]處理模塊430,還用于在根據(jù)該訓練樣本集對該醫(yī)療預后預測模型進行訓練之前，隨機采用該第一圖像處理方式所包括的處理方式中的一種或多種對訓練樣本中的三維醫(yī)療影像進行處理，得到增強的訓練樣本集；以及根據(jù)增強的訓練樣本集對醫(yī)療預后預測模型進行訓練。[0159]在一個實施例中，獲取模塊410,還用于獲取多個原始的包括目標區(qū)域的三維醫(yī)療[0160]獲取模塊410,還用于獲取第二圖像處理方式的參數(shù)信息，其中，該第二圖像處理[0161]處理模塊430,還用于隨機采用該第二圖像處理方式所包括的處理方式中的一種或多種對該多個原始的包括目標區(qū)域的三維醫(yī)療影像中的部分或全部進行處理，得到至少一個增強的包括目標區(qū)域的三維醫(yī)療影像；以及將該多個原始的包括目標區(qū)域的三維醫(yī)療影像和該至少一個增強的包括目標區(qū)域的三維醫(yī)療影像作為訓練樣本，形成該訓練樣本[0162]在一個實施例中，處理模塊430,還用于根據(jù)該醫(yī)療預后預測模型輸出的預測數(shù)據(jù)[0163]處理模塊430,還用于根據(jù)該交叉熵損失量，采用自適應梯度下降算法對該醫(yī)療預后預測模型中的第一網(wǎng)絡和第二網(wǎng)絡的模型參數(shù)進行優(yōu)化。[0164]在一個實施例中，獲取模塊410,還用于從數(shù)據(jù)庫讀取第一預設值和/或第二預設[0165]處理模型430,還用于使用該第一預設值作為該第一網(wǎng)絡的初始參數(shù)，和/或，使用該第二預設值作為該第二網(wǎng)絡的初始參數(shù)。[0166]在一個實施例中，獲取模型410還用于獲取驗證樣本集，該驗證樣本集中的各個驗證樣本包含包括目標區(qū)域的三維醫(yī)療影像以及配對的醫(yī)療標簽；[0167]輸入模塊420,還用于在該醫(yī)療預后預測模型擬合訓練樣本的情況下，將驗證樣本中的三維醫(yī)療影像輸入該醫(yī)療預后預測模型，通過該第一網(wǎng)絡對驗證樣本中的三維醫(yī)療影像的每一層進行特征提取，得到驗證樣本中的三維醫(yī)療影像對應的二維影像特征序列，以及將該二維影像特征序列中的二維影像特征依次輸入該第二網(wǎng)絡；[0168]處理模塊430,還用于根據(jù)該第二網(wǎng)絡輸出的預測數(shù)據(jù)和驗證樣本中的醫(yī)療標簽，確定驗證樣本對應的交叉熵損失量；[0169]處理模塊430,還用于根據(jù)該驗證樣本對應的交叉熵損失量，從該醫(yī)療預后預測模型在訓練過程中得到的多組收斂參數(shù)中選取該醫(yī)療預后預測模型的最優(yōu)參數(shù)。[0170]在一個實施例中，該目標區(qū)域包括以下之一：癌變區(qū)域。[0172]在一個實施例中，該醫(yī)療預后預測模型中的第一網(wǎng)絡為卷積神經(jīng)網(wǎng)絡，且該醫(yī)療預后預測模型中的第二網(wǎng)絡為遞歸神經(jīng)網(wǎng)絡。[0173]本申請實施例提供的醫(yī)療影像處理裝置中的各個模塊的具體實現(xiàn)可以參照上述醫(yī)療影像處理方法中的內(nèi)容，在此不再贅述。[0174]上述醫(yī)療影像處理裝置中的各個模塊可全部或部分通過軟件、硬件及其組合來實現(xiàn)。上述各個模塊可以以硬件形式內(nèi)嵌于或獨立于計算機設備中的處理器中，也可以以軟件形式存儲于計算機設備中的存儲器中，以便于處理器調(diào)用執(zhí)行上述各個模塊對于的操[0175]圖6示出了實現(xiàn)本申請實施例的電子設備的計算機系統(tǒng)的結(jié)構(gòu)示意圖。需要說明的是，圖6示出的電子設備的計算機系統(tǒng)500僅是一個示例，不應該對本申請實施例的功能和使用范圍帶來任何限制。[0176]如圖6所示，計算機系統(tǒng)500包括中央處理單元(CentralProcessingUnit,CPU)501,其可以根據(jù)存儲在只讀存儲器(Read-OnlyMemory,ROM)502中的程序或者從存儲部分508加載到隨機訪問存儲器(RandomAccessMemory,RAM)503中的程序而執(zhí)行各種適當?shù)募癛AM503通過總線504彼此相連。輸入/輸出(Input/Output,I/0)接口505也連接至總線[0177]以下部件連接至I/0接口505:包括鍵盤、鼠標等的輸入部分506;包括諸如陰極射線管(CathodeRayTube,CRT)、液晶顯示器(LiquidCrystalDisplay,LCD)等以及揚聲器等的輸出部分507;包括硬盤等的存儲部分508;以及包括諸如局域網(wǎng)(LocalAreaNetwork,LAN)卡、調(diào)制解調(diào)器等的網(wǎng)絡接口卡的通信部分509。通信部分509經(jīng)由諸如因特網(wǎng)的網(wǎng)絡執(zhí)行通信處理。驅(qū)動器510也根據(jù)需要連接至I/0接口505?？刹鹦督橘|(zhì)511,諸如磁盤、光盤、磁光盤、半導體存儲器等等，根據(jù)需要安裝在驅(qū)動器510上計算機程序根據(jù)需要被安裝入存儲部分508。[0178]特別地，根據(jù)本申請