对新冠肺炎患者的住院时长进行预测的方法和相关产品

1.本公开一般地涉及住院时长预测的技术领域。更具体地，本公开涉及一种用于对新冠肺炎患者的住院时长进行预测的方法、设备以及计算机可读存储介质。


背景技术：

2.胸部ct检查作为抗击新冠肺炎的重要手段之一，其广泛应用于发热病人检查、入院人员筛查，持续并且显著地发挥了抗疫的医疗作用。经胸部ct检查采集的胸部 ct 图像中蕴含了大量预示新冠肺炎疾病进展与转归的信息，但大多研究仅针对病灶开展研究，一定程度上忽视了病灶以外的肺内病灶、肺外所见影像特征中所反映出的病人作为一个“人”的整体特征，未能从全面刻画新冠肺炎病人的整体健康状态。
3.此外，在新冠肺炎患者确诊后，新冠肺炎患者的住院时长显著影响了床位数量、住院物资的配备和使用，而过多的配置会造成不必要的资源浪费。因此，在疫情反复、时刻备战的现状下，充分知晓并预测病人的住院时长，对于备战、实战中抗疫医疗资源的合理配置和使用有重要的指导意义。因此，如何准确预测新冠肺炎患者的住院时长成为亟需解决的技术问题。


技术实现要素：

4.为了至少部分地解决背景技术中提到的技术问题，本公开的方案提供了一种用于对新冠肺炎患者的住院时长进行预测的方案。利用本公开的方案，可以高效且准确的获得新冠肺炎患者的住院时长的预测结果，以便在医疗资源的配置和使用方面提供参考依据。为此，本公开在如下的多个方面提供解决方案。
5.在第一方面，本公开提供一种用于对新冠肺炎患者的住院时长进行预测的方法，包括：获取新冠肺炎患者的胸部ct图像；基于所述胸部ct图像获得与所述胸部ct图像相关的特征信息与影像信息；以及将所述胸部ct图像、所述特征信息和所述影像信息输入预先训练的预测模型中进行预测，以获得所述新冠肺炎患者的住院时长的预测结果。
6.在一个实施例中，其中所述特征信息与肺部区域的特征相关并且所述特征信息至少包括高斯曲率、平均曲率和/或里奇曲率，所述影像信息至少包括所述胸部ct图像中与肌肉和腹部脂肪相关的影像信息、与椎体骨质相关的影像信息以及与肝脏、心血管和甲状腺相关的影像信息。
7.在另一个实施例中，其中所述预测模型包括依次连接的特征提取模块、融合模块和分类器，并且其中将所述胸部ct图像、所述特征信息和所述影像信息输入预先训练的预测模型中进行预测，以获得所述新冠肺炎患者的住院时长的预测结果包括：将所述胸部ct图像和所述特征信息输入至所述特征提取模块以分别执行特征提取操作，以获得二者对应的中间特征； 利用所述融合模块对所述对应的中间特征执行所述特征融合操作，以获得胸部ct图像的初始特征；将所述初始特征与所述影像信息进行拼接获得所述胸部ct图像的最终特征；以及利用所述分类器基于所述最终特征进行分类，以获得所述新冠肺炎患者的住
院时长的预测结果。
8.在又一个实施例中，其中将所述胸部ct图像和所述特征信息输入至所述特征提取模块分别执行特征提取操作，以获得二者对应的中间特征包括：将所述胸部ct图像输入至所述特征提取模块执行多次特征提取操作，以获得多个第一中间特征；以及将所述特征信息输入至所述特征提取模块执行多次特征提取操作，以获得多个第二中间特征。
9.在又一个实施例中，其中所述融合模块包括多个，并且其中利用所述融合模块对所述对应的中间特征执行所述特征融合操作，以获得胸部ct图像的初始特征包括：从所述多个第一中间特征和所述多个第二中间特征中分别选择多个第一目标中间特征和多个第二目标中间特征；利用多个所述融合模块依次对相应第一目标中间特征、相应第二目标中间特征执行特征融合操作来获取相应融合结果，并且将所述相应融合结果输入至下一个融合模块；利用下一个融合模块对上一个融合模块的融合结果、相应第一目标中间特征、相应第二目标中间特征执行下一次特征融合操作，直至获得最后一个融合模块的融合结果；以及将所述最后一个融合模块的融合结果作为胸部ct图像的初始特征。
10.在又一个实施例中，所述方法还包括：基于最优传输映射来调整所述分类器的决策边界，以获得所述新冠肺炎患者的住院时长的最终预测结果。
11.在又一个实施例中，其中基于最优传输映射来调整所述分类器的决策边界包括：获取所述分类器的权重和所述新冠肺炎患者的住院时长；在所述最终特征的特征空间内基于所述新冠肺炎患者的住院时长和所述分类器的权重计算最优传输映射，以调整所述分类器的决策边界。
12.在又一个实施例中，其中在所述最终特征的特征空间内基于所述新冠肺炎患者的住院时长和所述分类器的权重计算最优传输映射，以调整所述分类器的决策边界包括：将所述最终特征设为源域内的点并且将所述分类器的权重设为目标点；统计所述新冠肺炎患者的住院时长的频数；根据所述频数调整所述目标点的测度，以获得调整后的目标点的测度；以及基于所述源域内的点、所述目标点和所述调整后的目标点的测度计算最优传输映射，以调整所述分类器的决策边界。
13.在第二方面，本公开还提供一种用于对新冠肺炎患者的住院时长进行预测的设备，包括：处理器；以及存储器，其存储有用于对新冠肺炎患者的住院时长进行预测的程序指令，当所述程序指令由所述处理器执行时，使得所述设备前述多个实施例。
14.在第三方面，本公开还提供一种计算机可读存储介质，其上存储有用于对新冠肺炎患者的住院时长进行预测的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现前述多个实施例。
15.通过本公开的方案，通过胸部ct图像获取特征信息和影像信息，并且将获取的特征信息、影像信息以及胸部ct图像输入至预先训练的预测模型进行预测，以获得新冠肺炎患者的住院时长的预测结果。基于此，能够获得更全面的刻画新冠肺炎病人的整体健康状态的信息，进而利用网络模型来基于全面的信息进行预测，可以高效地获得关于新冠肺炎患者住院时长的准确的预测结果。基于该预测结果，便于在医疗资源的配置和使用方面提供参考依据，从而避免造成资源浪费。进一步地，本公开实施例还通过最优传输映射来调整分类器的决策边界，有效地解决了住院时长的分布不平衡的问题，提升了预测结果的精度。
附图说明
16.通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分其中：图1是示出根据本公开实施例的用于对新冠肺炎患者的住院时长进行预测的方法的示例性流程框图；图2是示出根据本公开实施例的预测模型预测新冠肺炎患者的住院时长的示例性结构框图；图3是示出根据本公开实施例的获得胸部ct图像的初始特征的示例性结构框图；图4是示出根据本公开实施例的分类器的决策边界调整前、后的示例性示意图；图5是示出根据本公开实施例的用于对新冠肺炎患者的住院时长进行预测的整体的示例性结构框图；以及图6是示出根据本公开实施例的用于对新冠肺炎患者的住院时长进行预测的设备的框图。
具体实施方式
17.下面将结合附图对本公开实施例中的技术方案进行清楚和完整地描述。应当理解的是本说明书所描述的实施例仅是本公开为了便于对方案的清晰理解和符合法律的要求而提供的部分实施例，而并非可以实现本公开的所有实施例。基于本说明书公开的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
18.图1是示出根据本公开实施例的用于对新冠肺炎患者的住院时长进行预测的方法100的示例性流程框图。如图1中所示，在步骤s102处，获取新冠肺炎患者的胸部ct图像。在一个实施例中，前述胸部ct图像可以是通过例如电子计算机断层扫描（computed tomography，“ct”）技术或设备来获取。基于获取的胸部ct图像，在步骤s104处，基于所述胸部ct图像获得与胸部ct图像相关的特征信息与影像信息。其中，前述特征信息与肺部区域的特征相关并且特征信息可以包括但不仅限于高斯曲率、平均曲率和/或里奇曲率。前述影像信息包括但不仅限于胸部ct图像中与肌肉和腹部脂肪相关的影像信息（例如脂肪的面积）、与椎体骨质相关的影像信息（例如骨密度）以及与肝脏、心血管和甲状腺相关的影像信息（例如肝脏ct值、甲状腺密度等）。
19.在一个实现场景中，上述高斯曲率、平均曲率和/或里奇曲率可以基于胸部ct图像中的肺部病灶区域生成由多个顶点连接而成的二维网格或者四面体网格来确定。具体地，对于高斯曲率而言，其等于2π减去原始未切开的封闭网格顶点处与其相邻网格对应的角度。假设将高斯曲率记为k，则，其中表示网格顶点与其相邻网格对应的角度，表示该网格顶点的相邻网格的个数。对于平均曲率来说，假设肺部病灶区域为函数，并且顶点所在的等值面的法向量为，则可以将顶点处的平均曲
率k定义为。
20.对于里奇曲率而言，首先可以定义四面体网格中的顶点邻接的边的权值，并将其表示为：其中，表示边的权值，和分别表示顶点和处的权重，表示所有与顶点邻接的边（不包括边），表示所有与顶点邻接的边（不包括边）。进一步地，可以定义其共边的权重，并将其表示为：结合上述公式（1）和公式（2）可以获得四面体网格中的顶点邻接的边的权值。基于前述获得的权重，进一步地根据如下公式可以获得每个顶点处的里奇曲率ric：在上述公式（3）中，表示与顶点相邻接的边，表示所有与顶点相邻的边，可以表示的个数，也即点相邻的边的个数。此外，还可以基于上述公式（1）和公式（2）计算分别计算顶点处相互正交的三个轴（即x轴、y轴、z轴）上的权重，将该三个轴的权重作为里奇曲率值。前述三个轴重可以表示三维张量的张量数据。由此，里奇曲率值可以被表示为三维张量。
21.在另一个实施场景中，上述多种影像信息可以通过例如定量计算体层摄影技术（quantitative computed tomography，“qct”）来获取。例如将胸部ct图像的dicom数据导入qct中，测量感兴趣区（例如取自腰1-2椎间盘水平）。通过应用qct体质成分测量功能，以腹壁肌外缘区分皮下脂肪及腹腔内脂肪，腹腔内脂肪的识别避开腹腔脏器及血管。进接着，通过手动勾画腹壁肌肉边缘确定腹壁肌肉感兴趣区，进而分别定量记录腹壁肌肉、皮下脂肪及腹腔内脂肪的面积数据。进一步地，通过以第一腰椎（l1）和第二腰椎（l2）处松质骨密度的绝对值的平均值作为评价骨质疏松症的标准，通过分别定量记录骨密度绝对值的连续变量数据，并记录对应的定性数据（例如当骨密度绝对值》120mg/cm3，属于正常范围； 当骨密度绝对值处于80~120mg/cm3，属于低骨量；当骨密度绝对值《80 mg/cm3，属于骨质疏松）。
22.对于例如新冠肺炎患者的胸部ct图像，可以测量腰1-2椎间盘层面肝脏ct值。具体地，按couinaud八段法，避开肝内血管、胆管及韧带，在所示各肝段的中心划定直径为1cm的感兴趣区，记录其ct值，并且取各肝段的平均ct值作为腰1-2椎间盘层面内的肝脏ct值（hu）。还可以测量腰1-2椎间盘层面脾脏ct值，并记录对应的脂肪肝程度分级（肝/脾ct比值处于0.7~1.0之间，为轻度脂肪肝；比值处于0.5~0.7之间，为中度脂肪肝；比值≤0.5，为重
度脂肪肝）。
23.在一些实施例中，还可以从胸部ct图像中截取心脏四腔的中部层面的横断面dicom图像，并将其导入itk-snap软件。在itk-snap软件上手动勾画心脏边缘，可以自动测量感兴趣区体积，并记录四腔中心层面的心脏体积（mm3）。此外，通过采用冠脉血管狭窄分析ai软件及agatston 积分系统来标记冠脉各分支钙化区域，并且将阈值设定为130hu，可以自动得出左主干、左前降支、回旋支及右冠状动脉的钙化积分并计算总钙化积分。类似地，可以获得主动脉钙化积分。另外，通过从胸部ct图像中选取甲状腺显示的最大横截面，并且以直径为1cm划定感兴趣区，分别测量峡部及双侧叶ct值，并取其平均ct值作为甲状腺密度的测量结果（hu）。进一步地，通过截取甲状腺显示的最大横断面dicom 图像，并将其导入itk-snap软件，通过在itk-snap软件上手动勾画甲状腺边缘，从而自动测量感兴趣区体积，并记录甲状腺体积（mm3）。
24.在获得上述特征信息和影像信息后，在步骤s106处，将胸部ct图像、特征信息和影像信息输入预先训练的预测模型中进行预测，以获得新冠肺炎患者的住院时长的预测结果。在一个实施例中，该预测模型可以包括依次连接的特征提取模块、融合模块和分类器。其中，首先可以将胸部ct图像和特征信息输入至特征提取模块以分别执行特征提取操作，以获得二者对应的中间特征。接着，利用融合模块对对应的中间特征执行特征融合操作，以获得胸部ct图像的初始特征，通过将初始特征与影像信息进行拼接来获取胸部ct图像的最终特征。进一步地，利用分类器基于最终特征进行分类，以获得新冠肺炎患者的住院时长的预测结果。稍后将结合图2详细描述该预测模型。在实现场景中，前述特征提取模块可以包括多个卷积层和多个池化层，前述融合模块可以包括多个。通过利用特征提取模块中的多个卷积层和多个池化层对胸部ct图像执行多次特征提取操作，可以获得多个第一中间特征，通过利用特征提取模块中的多个卷积层和多个池化层对特征信息执行多次特征提取操作，可以获得多个第二中间特征。基于特征提取模块提取的多个第一中间特征和多个第二中间特征，利用多个融合模块对其执行融合操作，可以获得胸部ct图像的初始特征。
25.具体地，胸部ct图像的初始特征可以通过以下操作来执行，首先从上述多个第一中间特征和多个第二中间特征中分别选择多个第一目标中间特征和多个第二目标中间特征，接着利用多个融合模块依次对相应第一目标中间特征、相应第二目标中间特征执行特征融合操作来获取相应融合结果，并且将相应融合结果输入至下一个融合模块。接着，利用下一个融合模块对上一个融合模块的融合结果、相应第一目标中间特征、相应第二目标中间特征执行下一次特征融合操作，直至获得最后一个融合模块的融合结果，并且最后一个融合模块的融合结果作为胸部ct图像的初始特征。在一些实施例中，前述特征融合操作可以包括但不仅限于相加、相减、相乘以及取最大值操作。稍后将结合图3详细描述。
26.如前所述，在获得该初始特征后，将其与影像信息进行拼接，即可获得胸部ct图像的最终特征，进而利用分类器基于最终特征进行分类，可以获得新冠肺炎患者的住院时长的预测结果。在实现场景中，新冠肺炎患者的住院时长的预测结果是以向量表示，该向量对应新冠肺炎患者的住院时长的周期。作为示例，假设输出的预测结果为（1,0,0），表示新冠肺炎患者的住院时长为一周。类似地，输出的预测结果为（0,1,0），表示新冠肺炎患者的住院时长为2周；输出的预测结果为（0,0 ,1），表示新冠肺炎患者的住院时长为3周。
27.结合上述描述可知，本公开实施例基于新冠肺炎患者的胸部ct图像全面提取其相
应的信息，以全面刻画新冠肺炎病人的整体健康状态。其中，前述全面提取的信息包括例如与肺部病灶区域相关的几何特征信息（高斯曲率、平均曲率和/或里奇曲率）以及除肺部以外其他区域的影像信息（脂肪的面积、骨密度、肝脏ct值、甲状腺密度等），进而利用预先训练的预测模型来基于全面提取的信息进行预测，能够高效地获得关于新冠肺炎患者住院时长的准确的预测结果。基于该预测结果，便于合理配置和使用医疗资源，避免资源浪费。
28.图2是示出根据本公开实施例的预测模型预测新冠肺炎患者的住院时长的示例性结构框图。需要理解的是，图2是上述图1中方法100的一个具体实施例，因此，上述关于图1所作的描述同样适用于图2。
29.如图2中所示，本公开实施例的预测模型可以包括特征提取模块201、融合模块202和分类器203。在将胸部ct图像204、特征信息205和影像信息206输入至预先训练的预测模型中进行预测时，首先经由前述特征提取模块201对前述胸部ct图像204、特征信息205进行特征提取，以获得其各自对应的多个第一中间特征204-1和多个第二中间特征205-1。进一步地，可以经由多个融合模块202对提取的多个第一中间特征204-1和多个第二中间特征205-1执行特征融合操作，获得胸部ct图像的初始特征207。例如，首先从多个第一中间特征204-1和多个第二中间特征205-1中分别选取多个第一目标中间特征和多个第二目标中间特征，接着经由多个融合模块202基于多个第一目标中间特征和多个第二目标中间特征执行特征融合操作来获取胸部ct图像的初始特征207（例如图3中所示）。
30.如前所述，上述特征信息205可以包括高斯曲率、平均曲率和/或里奇曲率。在一个实施场景中，当提取的特征信息为高斯曲率、平均曲率以及里奇曲率时，可以将高斯曲率和平均曲率进行叠加，视为二维张量数据。由此，可以分别对该二维张量数据和里奇曲率进行特征提取，以获取各自对应的多个中间特征。也就是说，在该场景下，特征提取模型的输入包括三种类型的数据，即胸部ct图像、高斯曲率和平均曲率叠加后形成的二维张量数据以及里奇曲率。
31.如图2中进一步示出的，将前述影像信息（例如腹壁肌肉、皮下脂肪及腹腔内脂肪的面积数据、骨密度绝对值、肝脏ct值、主动脉钙化积分、甲状腺密度以及密度等）206与初始特征207进行拼接，获得胸部ct图像的最终特征。可以理解，前述影像信息通常为实数数据，可以将其量纲归一化、平铺后与初始特征进行拼接，以获得胸部ct图像的最终特征。接着，利用分类器203对最终特征进行分类，并最终输出新冠肺炎患者的住院时长的预测结果208。
32.图3是示出根据本公开实施例的获得胸部ct图像的初始特征的示例性结构框图。如图3中所示，假设从胸部ct图像对应的多个第一中间特征中选出多个第一目标中间特征301，从高斯曲率和平均曲率叠加后形成的二维张量数据对应的多个第二中间特征中选出多个第二目标中间特征302以及从里奇曲率对应的多个第二中间特征中选出多个第二目标中间特征303。在该场景下，经由多个融合模块304（也即上述图2中所示出的融合模块202）对相应目标中间特征执行特征融合操作，并将最后一个融合模块304输出的融合结果作为胸部ct图像的初始特征305。
33.具体地，首先经由第一个融合模块304对相应第一目标中间特征301-1、相应第二目标中间特征302-1和相应第一目标中间特征303-1执行特征融合操作，以获得第一个融合模块304对应的融合结果。接着，将第一个融合模块304对应的融合结果输入至第二个融合
模块304，进而经由第二个融合模块304基于上一个融合模块（也即第一个融合模块304）的融合结果、相应第一目标中间特征301-2、相应第二目标中间特征302-2和相应第一目标中间特征303-2执行特征融合操作，以获得第二个融合模块304对应的融合结果。类似地，经由第三个融合模块304基于第二个融合模块304的融合结果、相应第一目标中间特征301-3、相应第二目标中间特征302-3和相应第一目标中间特征303-3执行特征融合操作，以获得第三个融合模块304对应的融合结果。经由第四个融合模块304基于第三个融合模块304的融合结果、相应第一目标中间特征301-4、相应第二目标中间特征302-4和相应第一目标中间特征303-4执行特征融合操作，以获得第四个融合模块304对应的融合结果。
34.在本公开实例中，上述多个融合模块可以例如是多因子融合结构（multifactorial fusion struct，“mfs”）模块，并且多个融合模块均为全连接层。在使用融合模块执行特征融合操作中，第一个融合是对相应第一目标中间特征和相应第二目标中间特征执行相加、相减、相乘以及取最大值操作，并将前述各个操作对应的结果进行融合（例如图中虚线框内所示），从而获得第一个融合模块的融合结果。对于其他融合模块而言，其均是对上一个融合模块的融合结果、相应第一目标中间特征和相应第二目标中间特征执行相加、相减、相乘以及取最大值操作，并将前述各个操作对应的结果进行融合，以获得相应融合结果。以第四个融合模块304为例，该第四个融合模块304分别基于第三个融合模块304的融合结果、相应第一目标中间特征301-4、相应第二目标中间特征302-4和相应第一目标中间特征303-4执行相加（图中“+”符号所示）、相减（图中
“‑”
符号所示）、相乘（图中
“”
符号所示）以及取最大值操作（图中“max”符号所示），将各个操作对应的结果进行融合（例如拼接）获得第四个融合模块304对应的融合结果。假设第四个融合模块304是最后一个，则其对应的融合结果即为胸部ct图像的初始特征305。基于此，能够将各类型的数据进行深度融合，使得包含初始特征包含的信息更丰富。
35.根据前文知，将上述初始特征与影像信息进行拼接，即可获得胸部ct图像的最终特征。进一步地，利用分类器对前述最终特征进行分类可以输出新冠肺炎患者的住院时长的预测结果。可以理解，在对上述预测模型进行训练时，可以将上述胸部ct图像、特征信息和影像信息作为训练数据以外，并且以新冠肺炎患者的住院时长为标签来训练预测模型。然而，住院时长的分布通常表现为长尾分布，即部分类别拥有大量的样本，而其余还有较多类别只有较少的样本量，直接将其用于训练会使得预测模型中的分类器精度不高，从而导致预测结果精度较低。基于此，本公开实施例还提出基于最优传输映射来调整分类器的决策边界，以获得新冠肺炎患者的住院时长的最终预测结果。在一个实施例中，首先可以获取分类器的权重和新冠肺炎患者的住院时长，进而在在最终特征的特征空间内基于新冠肺炎患者的住院时长和分类器的权重计算最优传输映射，以调整分类器的决策边界。
36.具体来说，首先可以将上述最终特征设为源域内的点并且将分类器的权重设为目标点。在实现场景中，源域内的点即为基于每个患者（例如新冠肺炎患者）的胸部ct图像所提取的最终特征。类似地，目标点即为对每个最终特征进行分类时对应的权重。接着，统计新冠肺炎患者的住院时长的频数。也即，统计新冠肺炎患者的住院时长在第时间段的患者的个数。
37.在获得上述频数后，根据频数调整目标点的测度，以获得调整后的目标点的测度。
在一个实施例中，可以根据如下公式来调整目标点的测度：其中，表示调整后的目标点的测度，表示频数，表示分布种类的个数。
38.进一步地，基于源域内的点、目标点和调整后的目标点的测度计算最优传输映射，以调整分类器的决策边界。在一个实施例中，首先可以构建一个辅助函数，进而通过源域内的点、目标点和调整后的目标点的测度来不断优化该辅助函数来确定最优传输映射，以调整分类器的决策边界。在实现场景中，假设将构建的辅助函数记为，源域内的点记为，目标点记为，调整后的目标点的测度为。首先可以计算目标点和源域内的点的内积，并且统计该内积与辅助函数之和取得最大值的个数，利用数学表达式表示为，其中表示每个源域内的点在处取得最大值的个数。例如，假设源域内的点的个数为100，其中有20个点在处取得最大值，则为20。
39.接着，基于上述取得最大值的个数来计算其占总个数的频率，假设将该频率记为，则，其中n表示总个数（例如100）。进一步地，基于前述频率与调整后的目标点的测度来计算，该，并且计算。接着，通过梯度下降法更新以及不断迭代，直至的误差小于预设阈值时停止，即可获得最优传输映射，该为。基于前述获得的最优传输映射，可以将分类器的决策边界调整为均匀分布，从而解决住院时长的分布不平衡的问题，例如图4中所示。
40.图4是示出根据本公开实施例的分类器的决策边界调整前、后的示例性示意图。如图4中左上图所示为调整前的源域、左下图示出调整后的源域。右上图所示为调整前的目标点的测度，其分别为0.7、0.1以及0.2，即调整前的住院时长的分布为不均匀分布。右下图所示为调整后的目标点的测度，其均为0.33，即调整后的分类器的决策边界为均匀分布。基于此，能够提升分类器的精度，从而获得更准确的预测结果。
41.图5是示出根据本公开实施例的用于对新冠肺炎患者的住院时长进行预测的整体的示例性结构框图。如图5中所示，将胸部ct图像501（也即上述图2中所示出的胸部ct图像204）、高斯曲率和平均曲率叠加后的二维张量数据502以及里奇曲率503输入特征提取模块中，经由特征提取模块执行特征提取操作。在一个实施例中，由于前述胸部ct图像501大小不统一，因此特征提取模块可以采用滑动窗口（尺寸大小可以为64*64*64），由此胸部ct图像501的尺寸大小为64*64*64。二维张量数据尺寸大小为64*64*64。对于里奇曲率而言，其可以表示为三维张量，其尺寸大小可以为64*64*3。其中，高斯曲率、平均曲率和里奇曲率可
以基于胸部ct图像获取，具体可参考上述图1所描述的内容，本公开在此不再赘述。如前所述，前述特征提取模块可以包括多个卷积层和多个池化层，并且每个卷积层可以包括卷积、batchnormalization以及relu。作为示例，可以采用10个卷积层和4个池化层。
42.如图中进一步示出的，胸部ct图像501、高斯曲率和平均曲率叠加后的二维张量数据502以及里奇曲率503经由特征提取模块执行特征提取，可以分别获得对应的多个第一中间特征504、多个第二中间特征505以及多个第二中间特征506。接着，从前述多个第一中间特征和第二中间特征选取多个目标中间特征，并将其输入至融合模块507中进行融合，以获得胸部ct图像的初始特征508。在一个示例性场景中，假设从多个第一中间特征504选取第一中间特征504-1至第一中间特征504-5，从多个第二中间特征505选取第二中间特征505-1至第二中间特征505-5以及从多个第二中间特征506选取第二中间特征506-1至第二中间特征506-5。在实施场景中，目标中间特征的选取可以基于残差模块的层数来确定。在获取目标特征后，可以利用多个融合模块507来对其进行融合。
43.例如，首先利用第一个融合模块507来对第一中间特征504-1、第二中间特征505-1以及第二中间特征506-1进行融合（包括执行相加、相减、相乘以及取最大值操作），获得对应的融合结果。接着，将第一个融合模块507的融合结果输入至第二个融合模块507，进而由第二个融合模块507基于第一个融合模块507的融合结果、第一中间特征504-2、第二中间特征505-2以及第二中间特征506-2进行融合，并将融合结果输入至下一个融合模块507，直至获得最后一个融合模块（图中所示为第五个融合模块）的融合结果，并将最后一个融合模块的融合结果作为胸部ct图像的初始特征508。关于获得初始特征的更多细节，具体可以参考上述图3所描述的内容，本公开在此不再赘述。
44.进一步地，将基于胸部ct图像501获得的影像信息（例如腹壁肌肉、皮下脂肪及腹腔内脂肪的面积数据、骨密度绝对值、肝脏ct值、主动脉钙化积分、甲状腺密度以及密度等）509与上述初始特征508进行以获得胸部ct图像的最终特征。接着，利用分类器510（即上述图2中所示出的分类器203）对最终特征进行分类，以输出新冠肺炎患者的住院时长的预测结果。根据前文知，可以利用最优传输映射511来调整前述分类器510的决策边界，提升分类器的精度，使得预测模型输出的最终预测结果512更准确。
45.图6是示出根据本公开实施例的用于对新冠肺炎患者的住院时长进行预测的设备600的框图。可以理解的是，实现本公开方案的设备可以是单一的设备（例如计算设备）或包括各种外围设备的多功能设备。
46.如图6中所示，本公开的设备可以包括中央处理器或中央处理单元（“cpu”）611，其可以是通用cpu、专用cpu或者其他信息处理以及程序运行的执行单元。进一步，设备600还可以包括大容量存储器612和只读存储器（“rom”）613，其中大容量存储器612可以配置用于存储各类数据，包括各种与获取新冠肺炎患者的胸部ct图像、算法数据、中间结果和运行设备600所需要的各种程序。rom 613可以配置成存储对于设备600的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据和指令。
47.可选地，设备600还可以包括其他的硬件平台或组件，例如示出的张量处理单元（“tpu”）614、图形处理单元（“gpu”）615、现场可编程门阵列（“fpga”）616和机器学习单元（“mlu”）617。可以理解的是，尽管在设备 600中示出了多种硬件平台或组件，但这里仅仅是示例性的而非限制性的，本领域技术人员可以根据实际需要增加或移除相应的硬件。例如，
设备600可以仅包括cpu、相关存储设备和接口设备来实现本公开的用于对新冠肺炎患者的住院时长进行预测的方法。
48.在一些实施例中，为了便于数据与外部网络的传递和交互，本公开的设备600还包括通信接口618，从而可以通过该通信接口618连接到局域网/无线局域网（“lan/wlan”）605，进而可以通过该lan/wlan连接到本地服务器606或连接到因特网（“internet”）607。替代地或附加地，本公开的设备600还可以通过通信接口618基于无线通信技术直接连接到因特网或蜂窝网络，例如基于第3代（“3g”）、第4代（“4g”）或第5代（“5g”）的无线通信技术。在一些应用场景中，本公开的设备600还可以根据需要访问外部网络的服务器608和数据库609，以便获得各种已知的图像模型、数据和模块，并且可以远程地存储各种数据，例如用于呈现胸部ct图像、特征信息、影像信息以及对胸部ct图像、特征信息执行特征提取获得的多个中间特征的各类数据或指令。
49.设备600的外围设备可以包括显示装置602、输入装置603和数据传输接口604。在一个实施例中，显示装置602可以例如包括一个或多个扬声器和/或一个或多个视觉显示器，其配置用于对本公开的显示对胸部ct图像、特征信息的特征提取过程、特征融合过程、初始特征或者最终特征进行语音提示和/或图像视频显示。输入装置603可以包括例如键盘、鼠标、麦克风、姿势捕捉相机等其他输入按钮或控件，其配置用于接收胸部ct图像、特征信息和影像信息的输入和/或用户指令。数据传输接口604可以包括例如串行接口、并行接口或通用串行总线接口（“usb”）、小型计算机系统接口（“scsi”）、串行ata、火线（“firewire”）、pci express和高清多媒体接口（“hdmi”）等，其配置用于与其他设备或系统的数据传输和交互。根据本公开的方案，该数据传输接口604可以接收来自于ct设备的新冠肺炎患者的胸部ct图像，并且向设备600传送包括胸部ct图像、特征信息和影像信息或各种其他类型的数据或结果。
50.本公开的设备600的上述cpu 611、大容量存储器612、rom 613、tpu 614、gpu 615、fpga 616、mlu 617和通信接口618可以通过总线619相互连接，并且通过该总线与外围设备实现数据交互。在一个实施例中，通过该总线619，cpu 611可以控制设备600中的其他硬件组件及其外围设备。
51.以上结合图6描述了可以用于执行本公开的用于对新冠肺炎患者的住院时长进行预测的设备。需要理解的是这里的设备结构或架构仅仅是示例性的，本公开的实现方式和实现实体并不受其限制，而是可以在不偏离本公开的精神下做出改变。
52.根据上述结合附图的描述，本领域技术人员也可以理解本公开的实施例还可以通过软件程序来实现。由此本公开还提供了一种计算机程序产品。该计算机程序产品可以用于实现本公开结合附图l
‑ꢀ
5所描述的用于对新冠肺炎患者的住院时长进行预测的方法。
53.应当注意，尽管在附图中以特定顺序描述了本公开方法的操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
54.应当理解，当本公开的权利要求、当说明书及附图中使用到术语“第一”、“第二”、“第三”和“第四”等时，其仅用于区别不同对象，而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或
组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
55.还应当理解，在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
56.虽然本公开的实施方式如上，但所述内容只是为便于理解本公开而采用的实施例，并非用以限定本公开的范围和应用场景。任何本公开所述技术领域内的技术人员，在不脱离本公开所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本公开的专利保护范围，仍须以所附的权利要求书所界定的范围为准。