一种基于深度学习的颈动脉管径比测量方法和系统技术方案

本发明专利技术提供一种深度学习的颈动脉管径比测量方法和系统，对超声图像中的颈动脉和斑块进行特征提取，获取包括颈动脉轮廓和斑块轮廓的整体轮廓特征数据，获取颈动脉轮廓和斑块轮廓的整体轮廓特征的中心线，获取中心线上中心点坐标集合，获取斑块轮廓的边缘点坐标集合，计算两坐标集合的最小Hausdorff距离对应的目标中心点和目标边缘点，将目标中心点和目标边缘点形成的直线作为法向，获取直线与第一轮廓曲线和第二轮廓曲线相交的交点，两交点之间的距离为第一距离，计算斑块轮廓到相邻的其中一个交点的距离作为第二距离，第二距离与第一距离的比值，作为颈动脉管径比。无需人工参与，提高测量效率以及测量稳定性。高测量效率以及测量稳定性。高测量效率以及测量稳定性。

【技术实现步骤摘要】
一种基于深度学习的颈动脉管径比测量方法和系统


[0001]本专利技术涉及医学图像处理
，尤其涉及一种基于深度学习的颈动脉管径比测量方法和系统。

技术介绍

[0002]脑血管病是世界范围内公认的致残率、病死率最高的疾病之一，包括出血性脑血管病和缺血性脑血管病。由于颈动脉是向大脑供血的主要动脉之一，当颈动脉存在严重的粥样硬化时，就可能会导致脑缺血的发生。而颈动脉粥样硬化的明显特征是动脉内腔出现颈动脉斑块。斑块不仅仅限制向阻塞的下游的组织和器官递送新鲜血液，而且也会在变窄的管腔中捕获血凝块，阻挡所有血流。另外的、相等严重性的事件能够由颈动脉斑块引起。由于颈动脉向脑部提供血液供应，在颈动脉血流中的特定物质会造成脑血管阻塞以及潜在的卒中的风险。斑块成分不同，其易损性与稳定性也不同。因此对颈动脉斑块进行早期识别与成分检测，对于缺血性脑卒中的预防与高危人群的风险评估有重要的现实意义。临床上，通过对颈动脉的狭窄程度及斑块的形态学测定，来对颈动脉斑块进行评价，判断其危害性，主要是通过设置参考点匹配的传统算法或者人工测量的方式获取斑块参数。由于，颈动脉斑块图像本身具有很多噪声和伪像的存在，传统的图像算法很难达到稳定的测量效果，人工计算效率又低下。

技术实现思路

[0003]基于现有问题，本专利技术提供一种深度学习的颈动脉管径比测量方法和系统，旨在解决现有技术中斑块参数获取效率低下、测量不稳定等技术问题。
[0004]一种基于深度学习的颈动脉管径比测量方法，包括如下步骤：
[0005]步骤A1，获取颈动脉斑块的超声图像；
[0006]步骤A2，采用图像分割模型对超声图像中的颈动脉和斑块进行特征提取，获取同时包括颈动脉轮廓和斑块轮廓的整体轮廓特征数据，整体轮廓特征数据包括包含同时包括颈动脉和斑块的相对的第一轮廓曲线和第二轮廓曲线；
[0007]步骤A3，获取整体轮廓特征数据的中心线；
[0008]步骤A4，获取中心线上的若干点坐标以形成一中心点坐标集合；
[0009]步骤A5，从提取出的斑块轮廓中获取斑块的若干边缘点坐标以形成一边缘点坐标集合；
[0010]步骤A6，获取中心点坐标集合和边缘点坐标集合之间的最小豪斯多夫距离，将与最小豪斯多夫距离相对应的中心点坐标作为目标中心点，将与最小豪斯多夫距离相对应的边缘点坐标作为目标边缘点；
[0011]步骤A7，将目标中心点和目标边缘点形成的直线作为法向，获取直线与第一轮廓曲线相交的第一交点，并获取直线与第二轮廓曲线相交的第二交点，计算第一交点和第二交点之间的距离，作为第一距离；
[0012]步骤A8，判断斑块轮廓与第一轮廓曲线还是与第二轮廓曲线有重叠；
[0013]步骤A9，当斑块轮廓与第一轮廓曲线重叠时，计算第一交点和目标边缘点之间的距离作为第二距离；以及
[0014]当斑块轮廓与第二轮廓曲线重叠时，计算第二交点和目标边缘点之间的距离作为第二距离；
[0015]步骤A10，计算第二距离与第一距离的比值，作为颈动脉管径比。
[0016]进一步的，图像分割模型为Unet神经网络模型。
[0017]进一步的，Unet神经网络模型依次包括第一编码层、第二编码层、第三编码层、第四编码层、第五编码层、第六解码层、第七解码层、第八解码层和第九解码层；
[0018]第一至第五编码层的相邻编码层之间通过最大池化层连接，第五编码层的输出端通过第一上采样层与第六解码层的输入端连接，第六至第九解码层的相邻解码层之间通过第二上采样层连接；
[0019]其中，第一编码层和第九解码层中的卷积核深度均为32。
[0020]进一步的，第二至第五编码层、第六至第八解码层中的卷积核深度均为8。
[0021]进一步的，第四编码层和第六解码层之间通过跳跃连接层按通道连接，跳跃连接层的末端加入一注意力模型。
[0022]进一步的，颈动脉轮廓为颈动脉的内膜与管腔的边界，第一距离为颈动脉的内径。
[0023]进一步的，步骤A2之后还包括：
[0024]步骤B1，对整体轮廓特征数据进行二值化处理，并提取感兴趣区域；
[0025]步骤A3包括：采用Hilditch算法对感兴趣区域进行细化处理，依据感兴趣区域中的颈动脉轮廓和斑块轮廓形成的整体轮廓特征数据，获取整体轮廓特征数据的中心线。
[0026]一种基于深度学习的颈动脉管径比测量系统，其特征在于，包含前述的一种基于深度学习的颈动脉管径比测量方法，包括：
[0027]图像获取模块，用于获取颈动脉斑块的超声图像；
[0028]图像分割模块，连接图像获取模块，用于采用图像分割模型对超声图像中的颈动脉和斑块进行特征提取，获取同时包括颈动脉轮廓和斑块轮廓的整体轮廓特征数据，整体轮廓特征数据同时包括颈动脉和斑块的相对的第一轮廓曲线和第二轮廓曲线；
[0029]中心线获取模块，连接图像分割模块，用于获取整体轮廓特征数据的中心线；
[0030]第一存储模块，连接中心线获取模块，用于获取和存储中心线上的若干点坐标形成的一中心点坐标集合；
[0031]第二存储模块，连接中心线获取模块，用于从提取出的斑块轮廓中获取和存储斑块的若干边缘点坐标形成的一边缘点坐标集合；
[0032]目标点获取模块，分别连接第一存储模块和第二存储模块，用于获取中心点坐标集合和边缘点坐标集合之间的最小豪斯多夫距离，将与最小豪斯多夫距离相对应的中心点坐标作为目标中心点，将与最小豪斯多夫距离相对应的边缘点坐标作为目标边缘点；
[0033]第一距离获取模块，分别连接目标点获取模块和中心线获取模块，用于将目标中心点和目标边缘点形成的直线作为法向，获取直线与第一轮廓曲线相交的第一交点，并获取直线与第二轮廓曲线相交的第二交点，计算第一交点和第二交点之间的距离，作为第一距离；
[0034]判断模块，连接图像分割模块，用于判断斑块轮廓与第一轮廓曲线还是与第二轮廓曲线重叠；
[0035]第二距离获取模块，分别连接目标点获取模块、中心线获取模块和判断模块，当斑块轮廓与第一轮廓曲线重叠时，计算第一交点和目标边缘点之间的距离作为第二距离；以及，当斑块轮廓与第二轮廓曲线重叠时，计算第二交点和目标边缘点之间的距离作为第二距离；
[0036]管径比计算模块，分别连接第一距离获取模块和第二距离获取模块，用于计算第二距离与第一距离的比值，作为颈动脉管径比。
[0037]进一步的，图像分割模型为Unet神经网络模型。
[0038]进一步的，Unet神经网络模型依次包括第一编码层、第二编码层、第三编码层、第四编码层、第五编码层、第六解码层、第七解码层、第八解码层和第九解码层；
[0039]第一至第五编码层的相邻编码层之间通过最大池化层连接，第五编码层的输出端通过第一上采样层与第六解码层的输入端连接，第六至第九解码层的相邻解码层之间通过第二上采样层连接；
[0040]其中，第一编码层和第九解码层中的卷积核深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的颈动脉管径比测量方法，其特征在于，包括如下步骤：步骤A1，获取颈动脉斑块的超声图像；步骤A2，采用图像分割模型对所述超声图像中的颈动脉和斑块进行特征提取，获取同时包括颈动脉轮廓和斑块轮廓的整体轮廓特征数据，所述整体轮廓特征数据包括包含同时包括颈动脉和斑块的相对的第一轮廓曲线和第二轮廓曲线；步骤A3，获取整体轮廓特征数据的中心线；步骤A4，获取所述中心线上的若干点坐标以形成一中心点坐标集合；步骤A5，从提取出的所述斑块轮廓中获取斑块的若干边缘点坐标以形成一边缘点坐标集合；步骤A6，获取所述中心点坐标集合和所述边缘点坐标集合之间的最小豪斯多夫距离，将与最小豪斯多夫距离相对应的所述中心点坐标作为目标中心点，将与最小豪斯多夫距离相对应的所述边缘点坐标作为目标边缘点；步骤A7，将所述目标中心点和所述目标边缘点形成的直线作为法向，获取所述直线与第一轮廓曲线相交的第一交点，并获取所述直线与所述第二轮廓曲线相交的第二交点，计算所述第一交点和所述第二交点之间的距离，作为第一距离；步骤A8，判断所述斑块轮廓与所述第一轮廓曲线还是与所述第二轮廓曲线有重叠；步骤A9，当所述斑块轮廓与所述第一轮廓曲线重叠时，计算所述第一交点和所述目标边缘点之间的距离作为第二距离；以及当所述斑块轮廓与所述第二轮廓曲线重叠时，计算所述第二交点和所述目标边缘点之间的距离作为第二距离；步骤A10，计算所述第二距离与所述第一距离的比值，作为所述颈动脉管径比。2.如权利要求1所述的一种基于深度学习的颈动脉管径比测量方法，其特征在于，所述图像分割模型为Unet神经网络模型。3.如权利要求2所述的一种基于深度学习的颈动脉管径比测量方法，其特征在于，所述Unet神经网络模型依次包括第一编码层、第二编码层、第三编码层、第四编码层、第五编码层、第六解码层、第七解码层、第八解码层和第九解码层；第一至第五编码层的相邻编码层之间通过最大池化层连接，所述第五编码层的输出端通过第一上采样层与所述第六解码层的输入端连接，第六至第九解码层的相邻解码层之间通过第二上采样层连接；其中，所述第一编码层和所述第九解码层中的卷积核深度均为32。4.如权利要求3所述的一种基于深度学习的颈动脉管径比测量方法，其特征在于，第二至第五编码层、第六至第八解码层中的卷积核深度均为8。5.如权利要求4所述的一种基于深度学习的颈动脉管径比测量方法，其特征在于，所述第四编码层和所述第六解码层之间通过跳跃连接层按通道连接，所述跳跃连接层的末端加入一注意力模型。6.如权利要求1所述的一种基于深度学习的颈动脉管径比测量方法，其特征在于，所述颈动脉轮廓为颈动脉的内膜与管腔的边界，所述第一距离为所述颈动脉的内径。7.如权利要求1所述的一种基于深度学习的颈动脉管径比测量方法，其特征在于，所述步骤A2之后还包括：
步骤B1，对所述整体轮廓特征数据进行二值化处理，并提取感兴趣区域；所述步骤A3包括：采用Hilditc...

【专利技术属性】
技术研发人员：朱瑞星，邢述达，
申请(专利权)人：上海深至信息科技有限公司，
类型：发明
国别省市：