(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210643230.4 (22)申请日 2022.06.08 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 童超　张钰琦　于孟渤　 (74)专利代理 机构 北京卓特专利代理事务所 (普通合伙) 11572 专利代理师 田冰　段旺 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G16H 30/20(2018.01) G16H 50/20(2018.01) G16H 50/70(2018.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/774(2022.01) (54)发明名称 基于异构特征融合的缺血性脑卒中发病风 险预测模型 (57)摘要 本发明针对缺血性脑卒中发病风险预测任 务提出了使用颈动脉CTA 影像进行预测的三维影 像特征提取网络模型， 以及使用电子病历、 病史 信息进行预测的机器学习模型。 设计了融合以上 模型使用异构数据联合预测的融合预测网络模 型， 如图1所示， 最后通过多组对比实验对机器学 习模型、 数据重采样方法以及两个子模型在融合 预测模型中权重占比的选择进行了探究， 验证了 所提模型在缺血性脑卒中发病风险预测任务中 的有效性。 权利要求书2页 说明书6页 附图3页 CN 115063657 A 2022.09.16 CN 115063657 A 1.运行基于异构特征融合的缺血性脑卒中发病风险预测模型的计算机系统， 包括处理 器与存储器， 其特征在于， 所述处理器通过执行存储在所述存储器中的程序来执行以下步 骤： 步骤S1、 构建训练数据： S1.1根据颈动脉的标准HU值(hounsfield  unit， 亨氏单位)对三维CTA影像像素值进行 截取， 对CTA影像数据进行重采样， 保证所有CTA影像样 本具有相同的像素间距， 最后截 取颈 动脉区域作为的训练样本， 训练样本的真实标签来自对缺血性脑卒中诊断结果； S1.2对电子病例和病史信息样本的空白部分进行处理， 对电子病例和病史信息样本的 空白部分使用决策树来预测 缺失的值， 之后对数据集中的文字特征进行编码， 完成数据预 处理； 步骤S2、 训练三维影 像特征提取网络模型： S2.1针对颈动脉CTA影像的三维性质， 利用由二维卷积扩展成三维卷积形式的密集连 接网络提取影像特征， 三维密集连接网络使用密集连接方式， 每层 网络与前层所有网络相 连接， 从而能够有效解决梯度消失和底层特征丢失的问题， 在三维密集连接网络中， 卷积 层、 池化层和批量归一 化层均为 三维形式； S2.2将三维卷积层变为三维可变形卷积， 通过增加可学习的额外偏移量的方式使三维 空间感受野可以进行灵活调整， 处理后的CTA影像特征图首先被送入一组三维卷积生成偏 移特征， 之后使用学习得到的偏移量指导原始卷积的在感受野偏移的基础上进行变形； S2.3设置训练参数， 其中训练参数包括模 型学习优化方式、 学习率及迭代次数等； 例如 模型 学习优化方式采用Adam优化， 学习率为0.001， 迭代次数为400， 并设置损失函数为交叉熵损 失函数； S2.3将CTA影像及对应标签信息输入三维卷积网络模型， 前向传播计算均方误差损失， 然后反向传播更新神经 元权重进行训练； S2.3重复上一步骤直至模型收敛， 得到训练好的网络模型， 保存最佳的模型参数作为 最终结果； 步骤S3、 训练机器学习模型： S3.1构建XGBoost模型， 在XGBoost模型中把损失函数的二阶泰勒展开的差值作为学习 目标， 相当于利用牛 顿法进行优化， 来逼近损失函数的最小值， 也 就是使得损失函数为0； S3.2利用步骤S1中获取的补全后的数据集信息和上一步构建的XGBoost模型， 前向传 播计算均方误差损失， 然后反向传播更新神经元权重进行训练， 保存最佳的模型参数作为 最终结果； 步骤S4、 融合预测网络模型： S4.11.对在CTA影像数据集上训练完成的三维影像特征提取深度学习网络模型以及包 含电子病例、 病史信息数据的公共数据集上训练完成的机器学习模型进行迁移学习， 通过 参数迁移的方式将二者的权值参数迁移到融合预测网络模型对应的影像特征提取子模型 和机器学习子模型中， 最终通过权值融合得出联合风险评估结果； 而两个模型在融合预测 网络模型输出 结果计算过程中所占的权 重的最优值则通过网格搜索得 出； S4.2对影像特征提取子模型和机器学习子模型的输出结果按照比例系数λ1、 λ2 进行融合， 从而得到融合预测网络模型的最终输出预测概率值， 具体计算方式表示为权　利　要　求　书 1/2 页 2 CN 115063657 A 22.如权利要求1所述的计算机系统， 其特征在于， 将部分三维卷积层变为三维可变形卷 积， 三维可变形卷积的偏移量和权重的训练可表示为 其 中p0代表输出特征图中一个像素点的位置； y(p0)表示卷积层在该位置的输出特征值， pn代 表方形卷积采样感受野R中的第n个值， w(pn)代表卷积核相应位置的权值， Δpn代表可变形 卷积采样感受野R中的第n个值所对应的偏移量， 并通过双线性差值方法得到精确值。 3.如权利要求1所述的计算机系统， 其特征在于， XGBoost模型目标函数定义如下:L (φ)＝ 其中 其中 代表损失函数,而∑k Ω(fk)代表正则化项， 其中 为预测输出， yi为label值， fk为第k树模型， T为树叶子节点数， w为叶子权重值， λ为叶子 权重惩罚正则项， 防止过拟合。 4.如权利要求1所述的计算机系统， 其特征在于， 针对缺血性脑卒中发病风险预测任务 提出了使用颈动脉CTA影像进 行预测的三 维影像特征提取网络模型， 以及使用电子病例、 病 史信息进 行预测的机器学习模型。 之后设计了融合以上模型使用异构数据联合预测的融合 预测网络模型， 最后通过多组对比实验对机器学习模型、 数据重采样方法以及两个子模型 在融合预测模型中权重占比的选择进 行了探究， 并验证了所提模型在缺血性脑卒中发病风 险预测任务中的有效性。权　利　要　求　书 2/2 页 3 CN 115063657 A 3