一种分型方法、装置以及设备

技术领域

本说明书涉及医学影像及计算机技术领域，尤其涉及一种分型方法、装置以及设备。

背景技术

颅内动脉非急性期闭塞，是缺血性卒中的一个重要原因，约占全部缺血性脑卒中的10%，其卒中年复发风险为3.6%～22.0%；其中大脑中动脉闭塞临床多见，占闭塞性脑血管病的79.6%。目前对于颅内动脉闭塞时间超过24h的症状性非急性闭塞主要治疗方法仍是药物治疗，药物治疗无效的患者还可以采取颅内外搭桥手术和血管内治疗重建血运。

研究表明，大脑中动脉非急性期闭塞接受血管内治疗具有一定的可行性及安全性，但由于开通率缺乏均一性，且存在较高的并发症发生率，存在预后较差的情形，因此限制了该技术的发展。其主要原因在于，大脑中动脉闭塞后，无法通过初级侧支循环（Willis环）和眼动脉代偿，大脑中动脉闭塞后的主要代偿途径为软脑膜动脉侧支代偿，这种代偿存在延迟现象，影像诊断存在困难，进而限制了血管内治疗的有效性，且增加了并发症的发生。因此，快速、准确的确定脑梗死类型，对建立最佳的血管内治疗策略具有重要意义。

发明内容

本说明书实施例提供一种分型方法、装置以及设备，用于解决以下技术问题：大脑中动脉闭塞后，由于代偿延迟，影像诊断存在困难，进而限制了血管内治疗的有效性，且增加了并发症的发生。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种分型方法，包括：

获取待处理的影像数据；

对所述待处理的影像数据进行预处理，获得预处理的影像数据；

基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，所述卷积模块包括第一卷积模块和第二卷积模块。

进一步地，所述对所述待处理的影像数据进行预处理，获得预处理的影像数据，具体包括：

去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据。

进一步地，所述基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

基于所述卷积模块，获得所述预处理的影像数据的局部特征；

基于所述全局特征融合模块，获得所述预处理的影像数据的全局特征；

将所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征输入所述分类模块，获得所述待处理的影像数据的分型结果。

进一步地，所述卷积模块还包括第三卷积模块，所述基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

所述第一卷积模块用于提取所述预处理的影像数据的局部特征，获得第一特征图；

所述第二卷积模块用于提取所述第一特征图的局部特征，获得第二特征图；

所述全局特征融合模块用于提取所述第一特征图的全局特征，获得第三特征图；

所述第二卷积模块与所述全局融合模块为并联关系，以便所述第二特征图与所述第三特征图进行融合，获得第四特征图；

将所述第四特征图输入所述第三卷积模块进行卷积和池化操作后，输入所述分类模块进行分型，获得所述待处理的影像数据的分型结果。

进一步地，所述基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

所述第一卷积模块用于提取所述预处理的影像数据的局部特征，获得第一特征图；

所述全局特征融合模块用于提取所述第一特征图的全局特征，获得第二特征图；

将所述第二特征图输入所述第二卷积模块进行卷积和池化操作后，获得第三特征图；

将所述第三特征图输入所述分类模块进行分型，获得所述待处理的影像数据的分型结果。

进一步地，所述将所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征输入所述分类模块，获得所述待处理的影像数据的分型结果，具体包括：

所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层，所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征经过所述全局池化层或所述一维化处理层后，经过所述全连接层，输出所述待处理的影像数据的分型结果。

本说明书实施例还提供一种分型装置，包括：

获取模块，获取待处理的影像数据；

预处理模块，对所述待处理的影像数据进行预处理，获得预处理的影像数据；

分型模块，基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，所述卷积模块包括第一卷积模块和第二卷积模块。

进一步地，所述对所述待处理的影像数据进行预处理，获得预处理的影像数据，具体包括：

去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据。

进一步地，所述基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

基于所述卷积模块，获得所述预处理的影像数据的局部特征；

基于所述全局特征融合模块，获得所述预处理的影像数据的全局特征；

将所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征输入所述分类模块，获得所述待处理的影像数据的分型结果。

进一步地，所述卷积模块还包括第三卷积模块，所述基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

所述第一卷积模块用于提取所述预处理的影像数据的局部特征，获得第一特征图；

所述第二卷积模块用于提取所述第一特征图的局部特征，获得第二特征图；

所述全局特征融合模块用于提取所述第一特征图的全局特征，获得第三特征图；

所述第二卷积模块与所述全局融合模块为并联关系，以便所述第二特征图与所述第三特征图进行融合，获得第四特征图；

将所述第四特征图输入所述第三卷积模块进行卷积和池化操作后，输入所述分类模块进行分型，获得所述待处理的影像数据的分型结果。

进一步地，所述基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

所述第一卷积模块用于提取所述预处理的影像数据的局部特征，获得第一特征图；

所述全局特征融合模块用于提取所述第一特征图的全局特征，获得第二特征图；

将所述第二特征图输入所述第二卷积模块进行卷积和池化操作后，获得第三特征图；

将所述第三特征图输入所述分类模块进行分型，获得所述待处理的影像数据的分型结果。

进一步地，所述将所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征输入所述分类模块，获得所述待处理的影像数据的分型结果，具体包括：

所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层，所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征经过所述全局池化层或所述一维化处理层后，经过所述全连接层，输出所述待处理的影像数据的分型结果。

本说明书实施例还提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待处理的影像数据；

对所述待处理的影像数据进行预处理，获得预处理的影像数据；

基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，所述卷积模块包括第一卷积模块和第二卷积模块。

本说明书实施例还提供一种神经网络模型，其特征在于，该神经网络模型应用于本申请所述的分型方法，所述神经网络模型包括：

输入层，用于接收待处理的影像数据；

卷积模块，用于提取所述待处理的影像数据的局部特征，所述卷积模块包括第一卷积模块和第二卷积模块；

全局特征融合模块，用于提取所述待处理的影像数据的全局特征，所述卷积模块与所述全局特征融合模块为并联关系；

分类模块，用于基于所述待处理的影像数据的局部特征和所述待处理的影像数据的全局特征进行分型，获得所述待处理影像数据的分型结果，所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层。

进一步地，所述卷积模块与所述全局特征融合模块为并联关系时，所述卷积模块还包括第三卷积模块。

本说明书实施例获取待处理的影像数据；对所述待处理的影像数据进行预处理，获得预处理的影像数据；基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，所述卷积模块包括第一卷积模块和第二卷积模块，能够快速、全面、准确地对大脑中动脉非急性期闭塞的影像学诊断，实现脑梗死的分型或者脑梗死的评分，诸如ASPECTS评分，为临床治疗提供参考依据。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的一种分型方法的示意图；

图2为本说明书实施例1提供的一种分型方法的系统结构图；

图3为本说明书实施例1提供的一种分型方法的具体示意图；

图4为本说明书实施例提供的一种全局特征融合示意图；

图5为本说明书实施例提供的一种MCA分型模型的训练过程的示意图；

图6为本说明书实施例提供的一种改进后的神经网络模型用于ASPECTS评分的示意图；

图7为本说明书实施例提供的又一种改进后的神经网络模型用于ASPECTS评分的示意图；

图8为本说明书实施例提供的一种分型装置的示意图。

具体实施方式

现有技术中，脑梗死的分型有多种方法，不同的分型依据可以得到不同的脑梗死分型结果。正确的临床分型对患者的急性期治疗、二级预防以及脑卒中的相关研究都至关重要。目前的分型方法主要有OCSP（oxfordshire community stroke project，牛津郡社区卒中计划）、TOAST、CISS分型，均是基于临床症状的分型方法。其中，OCSP和TOAST分型最常用，CISS分型也已越来越得到认可。

OCSP分型，是以原发性脑卒中所致的最显著神经功能缺损时的临床表现为依据迅速分型，提示受累血管及梗塞灶的大小和部位，分为完全前循环梗塞（total anteriorcirculationinfarcts，TACI）、部分前循环梗塞（partial anterior circula—tioninfarcts，PACI）、腔隙性梗塞（LACI）、后循环梗塞（(posterior circulation infarcts，POCI）。其优点：简单快捷，临床可广泛应用，良好的信度和效度，较准确的预测脑梗死灶的部位和大小，有助于评估患者预后。但是该分型方法也存在一定的局限：分型粗略，未明确不同亚型的病因及发病机制；不同亚型脑卒中的临床表现有相似症状或症状不典型，不同时期的临床体征有变动，因此分型过程存在一定的偏倚。

TOAST分型是基于临床表现的分型方式，将缺血性脑卒中分为：大动脉粥样硬化型(1arge artery atherosclerosis)、心源性栓塞型(cardioembolism)、小动脉闭塞型(small-artery occlusion)、有其他明确病因型(stroke of other determined cause)、不明原因型(stroke of undetermined cause)。该分型方法忽视了穿支动脉粥样硬化疾病，因此，分型结果并不全面。

CISS分型也是基于临床表现的分型方式，将缺血性脑卒中分为：大动脉粥样硬化（LAA）、心源性卒中（CS）、穿支动脉疾病（PAD）、其他病因（OE）、病因不确定（UE）。

由于现有的分型方式仅考虑了临床表现，分型结果存在一定的局限性。因此，现有一种新的分型方式，以得到良好的分型结果，从而解释部分缺血性卒中病理生理机制，也可以用于评估临床症状，治疗和预后，为临床治疗提供参考依据。

本说明书实施例提供的分型方式，在进行分型时，除了考虑临床症状，还进一步考虑了影像学特征，而且对卷积神经网络进行了改进，以克服大脑中动脉闭塞后，由于其代偿的复杂性，普通卷积神经网络无法满足分型的需求。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

图1为本说明书实施例提供的一种分型方法的示意图，该分型方法包括：

步骤S101：获取待处理的影像数据。

在本说明书实施例中，待处理的影像数据为颅脑影像数据，具体可以为CTA或MRA影像数据，或者其他影像数据，诸如DSA、或者CT灌注/核磁灌注成像或者脑血管造影检查，或者高分辨磁共振（HR-MRI）。

步骤S103：对所述待处理的影像数据进行预处理，获得预处理的影像数据。

在本说明书实施例中，对所述待处理的影像数据进行预处理，获得预处理的影像数据，具体包括：

去除待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据。

由于待处理的影像数据中存在头骨等无关组织，为了保证后续分型的准确性，需要去除待处理影像数据中的颅骨。在具体实施过程中，去除待处理的影像数据中的颅骨，具体包括：通过阈值分割，根据第一阈值，从第一图像中提取出颅骨，得到颅骨掩膜（mask）图像，将颅脑分割为颅骨内和颅骨外两部分。在实际应用中，提取颅骨的阈值为>100。进一步，低于第二阈值的像素点属于颅骨内，从颅骨掩膜图像中取出颅骨，得到去除颅骨后的组织掩膜图像。在具体实施过程中，第二阈值可以为80。去除待处理影像数据中的颅骨，亦可以采取其他去除颅骨的方法，颅骨去除的具体方法并不构成对本申请的限定。

在本说明书实施例中，归一化处理包括：坐标中心化、x-shearing归一化、缩放归一化或旋转归一化中的一种或几种。归一化处理亦可以采用其他方法，归一化处理的具体方法并不构成对本申请的限定。

步骤S105：基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，所述卷积模块包括第一卷积模块和第二卷积模块。

在本说明书实施例中，基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

基于所述卷积模块，获得所述预处理的影像数据的局部特征；

基于所述全局特征融合模块，获得所述预处理的影像数据的全局特征；

将所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征输入所述分类模块，获得所述待处理的影像数据的分型结果。

在本说明书实施例中，所述基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

所述第一卷积模块用于提取所述预处理的影像数据的局部特征，获得第一特征图；

所述全局特征融合模块用于提取所述第一特征图的全局特征，获得第二特征图；

将所述第二特征图输入所述第二卷积模块进行卷积和池化操作后，获得第三特征图；

将所述第三特征图输入所述分类模块进行分型，获得所述待处理的影像数据的分型结果。

在本说明书的实施例中，所述卷积模块还包括第三卷积模块，所述基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

所述第一卷积模块用于提取所述预处理的影像数据的局部特征，获得第一特征图；

所述第二卷积模块用于提取所述第一特征图的局部特征，获得第二特征图；

所述全局特征融合模块用于提取所述第一特征图的全局特征，获得第三特征图；

所述第二卷积模块与所述全局融合模块为并联关系，以便所述第二特征图与所述第三特征图进行融合，获得第四特征图；

将所述第四特征图输入所述第三卷积模块进行卷积和池化操作后，输入所述分类模块进行分型，获得所述待处理的影像数据的分型结果。

需要特别说明的是，本说明书实施例中，在第二卷积模块与全局融合模块为并联关系时，第二卷积模块和全局特征融合模块的池化层的个数是相同的，以保证第二卷积模块和全局特征融合模块分别对应的特征图的大小一致。

在本说明书实施例中，所述将所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征输入所述分类模块，获得所述待处理的影像数据的分型结果，具体包括：

所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层，所述预处理的影像数据的局部特征和所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征经过所述全局池化层或所述一维化处理层后，经过所述全连接层，输出所述待处理的影像数据的分型结果。

在本说明书实施例中，分类模块的全局池化层或一维化处理层的作用在于将前述步骤获得的预处理的影像数据的局部特征和预处理的影像数据的全局特征输入分类模块后，将预处理的影像数据的局部特征和预处理的影像数据的全局特征的张量进行扁平化处理或者重构张量的维度，将多维向量拉平为一维向量。在具体实施过程中，可以采用开源机器学习平台Tensorflow的框架进行扁平化处理（Flatten），也可以采用开源机器学习平台Pytorch的框架下的view函数重构张量的维度。当然，其它开源机器学习平台框架下的能够将多维向量拉平为一维向量的方法，亦可以视为本申请的保护范围。

为了进一步理解本说明书实施提供的基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，下面将以具体的实施例为例，进行详细说明。图2为本说明书实施例1提供的一种分型方法的系统结构图。如图2所示，第一卷积模块提取的特征，输入第二卷积模块和全局特征融合模块，其中，第二卷积模块与全局特征融合模块为并联关系，经过第二卷积模块和全局特征融合模块处理后，输入第三卷积模块，进一步进行卷积和池化操作，以供后续分类模块进行分型。

在本说明书的一个实施例中，卷积模块与全局特征融合模块为并联关系。第一卷积模块由多个卷积层和池化层构成，用于提取预处理的影像数据的局部特征，主要是基于像素及其周边像素之间的运算，例如纹理、边缘等，获得第一特征图。全局特征融合模块与第二卷积模块并行处理，其中，第二卷积模块用于提取第一特征图的局部特征，获得第二特征图，第二特征图获得是局部特征；全局特征融合模块用于提取第一特征图的全局特征，获得第三特征图，第三特征图获得的是全局特征；第二卷积模块与所述全局融合模块为并联关系，所述第二特征图与所述第三特征图进行融合，获得第四特征图，因此第四特征图同时具备局部特征和全局特征；

将第四特征图输入第三卷积模块进行卷积和池化操作后，输入分类模块进行分型，获得待处理的影像数据的分型结果。

需要特别说明的是，本说明书实施例中，输出的分型结果主要包括以下内容：MCA（大脑中动脉，Middle Cerebral Artery）是否闭塞，M1主干是否显影，M1远端分叉是否显影，M2是否显影。根据MCA是否闭塞，M1主干是否显影，M1远端分叉是否显影，M2是否显影及其分别对应的概率值，确定分型结果。

为了便于理解MCA分型，表1为本说明书实施例提供的MCA分型的示意图。MCA分型共包括9种分型，具体详见表1。

表1

为进一步理解图2所示的分型方法的系统结构图的具体实现过程，下面以CTA或MRA影像数据为例，以具体的实施例来具体说明整个操作流程。图3为本说明书实施例1提供的一种分型方法的具体示意图。

实施例1

CTA或MRA影像数据，归一化，重采样后，为512*512*256的矩阵，即图像为256帧断层图，每个断层图为512*512的灰度图像，故通道数为1，在开源机器学习平台Tensorflow的框架或者在开源机器学习平台Pytorch的框架下，网络的输入为512*512*256*1的矩阵。第一卷积模块（虚线框内）由两个卷积块组成，每个卷积块有卷积操作与池化操作，一般使用3*3*3的卷积核，卷积操作后可以做dropout（随机失活）操作，normalization（归一化）操作，激活操作等，池化操作可以是max pool（最大池）或者average pool（平均池）等，在当前实施例中，池化操作的步长为2。第一个卷积块使用了32个卷积核，得到了32张特征图。经过池化操作，图像大小由512*512*256降为256*256*128；第二个卷积块使用了64个卷积核，得到了64张特征图。经过池化操作，图像大小由256*256*128降为128*128*64，亦即第一特征图大小为128*128*64，通道数为64。需要特别说明的是，开源机器学习平台的框架亦可以为其它框架，例如caffe，开源机器学习平台的框架的具体类型，并不构成对本申请的限定。

第二卷积模块与第一卷积模块类似，区别为第二卷积模块中的第二个卷积块没有加池化操作，与之对应的，全局特征融合模块的第二个全局特征融合块也没有加池化操作。

在本说明书的一个实施例中，第一卷积模块由两个卷积块组成，每个卷积块有卷积操作和池化操作。在卷积层，卷积核的大小为3*3*3，卷积操作的步长为1，第一个卷积块中卷积核的个数为32，第二个卷积块中卷积核的个数为64，池化操作的步长为2。第二卷积模块由两个卷积块组成，其中，第一个卷积块中卷积核的个数为128，第二个卷积块中卷积核的个数为128。在全局特征融合模块中，由两个卷积块组成，其中，第一个卷积块中卷积核的个数为64，第二个卷积块中卷积核的个数亦为64。在第三卷积模块中，由1个卷积块组成，卷积核的个数为192。

图4为本说明书实施例提供的一种全局特征融合示意图，全局特征融合的操作如图4所示，对于第一个全局特征融合块，总共是64张特征图（通道数为64），每张特征图的大小为128*128*64，可以认为是64张断层，每个断层的大小为128*128。对于第i个断层中的位于（j, k）的像素点（图中的小立方体），该点的特征向量的长度为64，设该向量为x =（

需要特别说明的是，计算两个向量之间的相关性亦即相当于计算距离的操作，计算两个向量之间的相关性的具体方法并不构成对本申请的具体限定。

在本说明书实施例1中，第三卷积模块输出后，也可以通过拉平操作成为一个向量，并通过两个全连接层输出分型结果。

在本说明书实施例中，卷积模块，全局特征融合模块和分类模块共同组成MCA分型模型，MCA分型模型是基于颅脑影像数据及其对应的临床特征，经过神经网络预先训练获得的模型。需要说明的是，神经网络可以采用本说明书实施例1所示的模型结构、模型的层数及卷积核的个数。在具体实施过程中，神经网络优选实施例1所示的模型结构、模型的层数及卷积核的个数。

本说明书实施例还提供一种神经网络模型，其特征在于，该神经网络模型应用于本申请所述的分型方法，所述神经网络模型包括：

输入层，用于接收待处理的影像数据；

卷积模块，用于提取所述待处理的影像数据的局部特征，所述卷积模块包括第一卷积模块和第二卷积模块；

全局特征融合模块，用于提取所述待处理的影像数据的全局特征，所述卷积模块与所述全局特征融合模块为并联关系；

分类模块，用于基于所述待处理的影像数据的局部特征和所述待处理的影像数据的全局特征进行分型，获得所述待处理影像数据的分型结果，所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层。

进一步地，所述模型还包括预处理模块，所述预处理模块用于对所述待处理的影像数据进行预处理步骤，

其中：

所述预处理步骤包括：去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据以进行所述待处理影像数据的局部特征和所述待处理影像数据的全局特征的提取。

进一步地，所述卷积模块与所述全局特征模块为并联关系时，所述卷积模块还包括第三卷积模块。

进一步地，所述卷积模块与所述全局特征模块为并联关系时，所述第二卷积模块与所述全局特征融合模块的池化层的个数是相同的，以保证所述第二卷积模块与所述全局特征融合模块分别对应的特征图的大小一致。

进一步地，所述分类模块的全局池化层或一维化处理层用于将所述待处理处理的影像数据的局部特征和所述待处理的影像数据的全局特征的张量进行扁平化处理或者重构张量的维度，将多维向量拉平为一维向量。

需要特别说明的是，本说明书实施例提供的神经网络模型可用于影像数据的分型，所述影像数据优选为CTA影像数据或者MRA影像数据，所述分型为对所述影像数据进行大脑中动脉分型。

图5为本说明书实施例提供的一种MCA分型模型的训练过程的示意图，如图5所示，MCA分型模型的训练包括：

步骤S501：将获取的学习样本集数据分为训练集数据、调优集数据和测试集数据。

在本说明书实施例中，学习样本集数据为颅脑影像数据，具体可以为CTA或MRA影像数据，或者其他影像数据，诸如DSA、或者CT灌注/核磁灌注成像或者脑血管造影检查，或者高分辨磁共振（HR-MRI）。将所述学习样本集数据进行标注，确定学习样本集数据中大脑中动脉闭塞的分类。将标注后的学习样本集数据按照5:2:3的比例随机分为训练集数据、调优集数据和测试集数据。

步骤S503：将学习样本集数据进行归一化后处理，获得归一化的学习样本集数据。

将学习样本集数据进行归一化处理，重采样后，获得512*512*256的矩阵，该矩阵与相应的大脑中动脉闭塞的分型的类别对应。

步骤S505：归一化的学习样本集数据进行训练，获得MCA分型模型。

基于构建的神经网络，选择最优的超参数。将训练集数据中的图像矩阵与相应的分型的类别成对输入搭建好的神经网络。首先采用较低的学习率预热模型，之后逐渐加大学习率。在训练过程中，可以采用交叉熵代价函数作为损失函数，对模型进行训练。在训练过程中，若调优数据上的损失函数不再下降，则停止训练，防止过拟合。每种模型结构，采用不同的超参数，均在同样的初始化条件下训练多个模型，取模型在调优集数据上的损失函数的平均值作为该组超参数的评价指标。取损失函数平均值最小的超参数作为每种模型结构的最优超参数。

随后，利用测试集数据对上述最优超参数对应的MCA分型模型进行测试，选出最优的MCA分型模型用于后续分型。

需要说明的是，测试集数据不足的情况下，亦可以采用交叉验证的方式，选择最优的MCA分型模型。

为进一步理解本说明书实施例提供的MCA分型模型的训练过程中的神经网络，下面将结合具体的实施例对神经网络的输出进行说明：

对于一个影像数据，神经网络的输出为长度为9的向量，[p1, p2, ..., p9]，pi代表了该影像数据属于第i类分型的概率，p1+p2+...+p9=1，假如p2=0.5，p3=0.5，其余均为0，那该影像属于2型[MCA闭塞，M1主干显影，M1远端分叉显影，M2显影]或3型[MCA闭塞，M1主干显影，M1远端分叉显影，M2不显影]的概率均为0.5，提示M2可能是部分显影。

采用本说明书实施例提供的MCA分型模型，能够进行局部特征和全局特征的融合，可以得到较佳的分型结果，满足分型的需求。

需要特别说明的是，基于本说明书实施例提供的神经网络模型进行的改进，亦可以用于脑梗死相关的评分，诸如ASPECTS评分。

在具体实施过程中，基于本说明书实施例提供的神经网络模型的改进主要是对神经网络模型中的分类模块进行改进，用回归模块替代分类模块。亦即改进后的神经网络模型包括：输入层，卷积模块，全局特征融合模块和回归模块。

在本说明书实施例中，回归模块的输出为一个连续的数值，用于输出脑梗死相关的评分，例如ASPECTS评分。在本说明书实施例中，改进后的神经网络模型用于脑梗死相关的评分，例如ASPECTS评分时，输入的是薄层NCCT影像数据，通过改进后的神经网络模型提取薄层NCCT影像数据的局部特征和全局特征，输出脑梗死的相关评分，例如ASPECTS评分。本说明书实施例提供的改进后的神经网络模型适用于MCA闭塞导致的急性缺血性卒中的相关评分，例如ASPECTS评分，但是本说明书实施例提供的改进后的神经网络模型并不适用于双侧梗死的情况。在具体实施过程中，假如左侧脑梗死n个区域，label为n，右侧梗死n个区域，label为-n，则所有label的集合为{n属于整数|-10=

在本说明书实施例中，改进后的神经网络模型的训练是以单侧梗死的薄层NCTT影像数据为样本，进行人工标注后，获取真实的label，经过训练后获得改进后的神经网络模型。在实际应用中，改进后的神经网络模型的输入为薄层NCTT影像数据，输出为梗死的相关评分，例如ASPECTS评分。

在本说明书实施例中，改进后的神经网络模型可以用于前循环的ASPECTS评分，也可以用于后循环的ASPECTS评分。改进后的神经网络模型用于前循环的ASPECTS评分时，用于评分的目标区域包括核团层面和核团上层，其中，核团层面包括左右脑的M1、M2、M3、岛叶、豆状核、尾状核和内囊后肢共14个区域，核团以上层面位于核团层面上方2cm，核团以上层面包括左右脑的M4、M5、M6区。

改进后的神经网络模型用于后循环的ASPECTS评分时，用于评分的目标区域包括：位于小脑层的脑桥和双侧小脑，位于中脑层的中脑，位于大脑层的双侧丘脑与大脑后动脉供血区。为了进一步理解本说明书实施例提供的改进后的神经网络模型用于ASPECTS评分，下面将结合具体的实施例进行详细说明。

以图3所示的实施例为例，改进后的神经网络模型用于ASPECTS评分时，输入模块、第一卷积模块、全局特征融合模块和第二卷积模块保持不变。为便于理解改进后的神经网络模型用于ASPECTS评分，图6为本说明书实施例提供的一种改进后的神经网络模型用于ASPECTS评分的示意图。如图6所示，与图3的区别仅在于回归模块，在全连接步骤经过softmax步骤，从而实现评分结果的输出。

图7为本说明书实施例提供的又一种改进后的神经网络模型用于ASPECTS评分的示意图。如图7所示，与图6的区别仅在于，全连接步骤，并未经过softmax步骤，输出的是一个具体数值。例如输出的为-4，则表示左脑有4个区域梗死，ASPECTS评分为6分。

需要特别说明的是，在本说明书附图3、6和7中，以图3中的第一卷积模块为例，128*128*64*64中，128*128*64表示对应的每个特征图的尺寸或者大小，64表示对应的通道数为64，64亦表示卷积核的个数为64。

采用本说明书实施例提供的分型方法，能够快速、全面、准确地对大脑中动脉非急性期闭塞的影像学诊断，实现脑梗死的分型或者脑梗死的评分，诸如ASPECTS评分，为临床治疗提供参考依据。

上述内容详细说明了一种分型方法，与之相应的，本说明书还提供了一种分型装置，如图8所示。图8为本说明书实施例提供的一种分型装置的示意图，该装置包括：

获取模块801，获取待处理的影像数据；

预处理模块803，对所述待处理的影像数据进行预处理，获得预处理的影像数据；

分型模块805，基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，所述卷积模块包括第一卷积模块和第二卷积模块。

进一步地，所述对所述待处理的影像数据进行预处理，获得预处理的影像数据，具体包括：

去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据。

进一步地，所述基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

基于所述卷积模块，获得所述预处理的影像数据的局部特征；

基于所述全局特征融合模块，获得所述预处理的影像数据的全局特征；

将所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征输入所述分类模块，获得所述待处理的影像数据的分型结果。

进一步地，所述卷积模块还包括第三卷积模块，所述基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

所述第一卷积模块用于提取所述预处理的影像数据的局部特征，获得第一特征图；

所述第二卷积模块用于提取所述第一特征图的局部特征，获得第二特征图；

所述全局特征融合模块用于提取所述第一特征图的全局特征，获得第三特征图；

所述第二卷积模块与所述全局融合模块为并联关系，以便所述第二特征图与所述第三特征图进行融合，获得第四特征图；

将所述第四特征图输入所述第三卷积模块进行卷积和池化操作后，输入所述分类模块进行分型，获得所述待处理的影像数据的分型结果。

进一步地，所述基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，具体包括：

所述第一卷积模块用于提取所述预处理的影像数据的局部特征，获得第一特征图；

所述全局特征融合模块用于提取所述第一特征图的全局特征，获得第二特征图；

将所述第二特征图输入所述第二卷积模块进行卷积和池化操作后，获得第三特征图；

将所述第三特征图输入所述分类模块进行分型，获得所述待处理的影像数据的分型结果。

进一步地，所述将所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征输入所述分类模块，获得所述待处理的影像数据的分型结果，具体包括：

所述分类模块的第一层为全局池化层或一维化处理层，所述分类模块还包括全连接层，所述预处理的影像数据的局部特征和所述预处理的影像数据的全局特征经过所述全局池化层或所述一维化处理层后，经过所述全连接层，输出所述待处理的影像数据的分型结果。

本说明书实施例还提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待处理的影像数据；

对所述待处理的影像数据进行预处理，获得预处理的影像数据；

基于卷积模块，全局特征融合模块和分类模块对所述预处理的影像数据进行分型，获得所述待处理的影像数据的分型结果，所述卷积模块包括第一卷积模块和第二卷积模块。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。