【技术实现步骤摘要】
本专利技术涉及临床智能检测，特别是指一种基于ai模型识别冠状cta粥样斑块及易损斑块的方法、冠状cta粥样斑块及易损斑块检测装置、检测设备和计算机可读取存储介质。
技术介绍
1、冠状动脉粥样硬化是导致心血管疾病的主要原因之一，其特征是脂质、钙化物质和纤维组织在动脉内壁的堆积，形成斑块。这些斑块可能会导致动脉狭窄或完全阻塞，进而引发心绞痛或心肌梗死等严重后果。易损斑块具有较高的破裂风险，而斑块破裂是急性冠状动脉综合征（acs）的主要病理基础。临床研究显示，有高危斑块特征即存在易损斑块的患者，其心肌梗死风险增加三倍。因此，有效识别并明确诊断易损斑块对于冠状动脉粥样硬化的临床干预决策具有非常重要的意义。
2、冠状动脉计算机断层扫描血管造影（ccta，也称为冠脉cta图像，即冠状动脉ct血管造影图像(cta)）是一种非侵入性成像技术，广泛用于评估冠状动脉疾病。然而，临床上对冠脉cta图像的分析和诊断，主要依靠医生手动分析，对冠脉cta图像中出现的粥样斑块及其高危易损斑块进行人工识别，但是这需要医生具有比较丰富的专业知识和临床经验，才能够准确识别粥样斑块及其高危易损斑块，为患者提供准确的临床诊断结果和对应的诊疗方案。而不同医生的专业和经验参差不齐，容易受到主观影响，对粥样斑块及其高危易损斑块的诊断结果差别太大，因此没有较为统一的诊断手段。
3、此外，人工分析冠脉cta图像的方式，费时费力，诊断效率低。
技术实现思路
1、为了解决现有技术存在的技术问题，本专利技术提供了
2、一方面，提供了一种基于ai模型识别冠状cta粥样斑块及易损斑块的方法，所述方法包括：
3、采集冠状动脉粥样硬化患者的临床冠脉cta图像，并导入后台服务器上预先部署的冠状动脉粥样硬化ai识别模型中；
4、由所述冠状动脉粥样硬化ai识别模型识别并判断所述临床冠脉cta图像中是否具有对应冠状动脉粥样斑块及易损斑块的特征图像：
5、若有，则输出相应冠状动脉粥样斑块及易损斑块的特征图像；
6、反之，则输出无病变的检测结果。
7、作为本专利技术的一种优选实施方案，所述冠状动脉粥样硬化ai识别模型的生成方法，包括：
8、基于冠状动脉粥样硬化患者的冠脉cta历史大数据，采用深度学习模型训练得到所述冠状动脉粥样硬化ai识别模型；
9、深度学习模型，包括：u-net模型、resnet模型或densenet模型。
10、作为本专利技术的一种优选实施方案，所述基于冠状动脉粥样硬化患者的冠脉cta历史大数据，采用深度学习模型训练得到所述冠状动脉粥样硬化ai识别模型，包括：
11、获取冠状动脉粥样硬化患者的冠脉cta历史大数据并进行预处理；
12、对所述冠脉cta历史大数据分别进行标注，标注出所述冠脉cta历史大数据中每一张冠脉cta图像上的冠状动脉粥样斑块及易损斑块的特征图像，得到cta特征图像数据集；
13、将所述cta特征图像数据集按照预设比例划分为对应的训练集和测试集；
14、基于深度学习模型，对所述训练集中的所述冠状动脉粥样斑块及易损斑块的特征图像进行训练学习，生成冠状动脉粥样硬化初始识别模型；
15、利用所述验证集中的所述冠状动脉粥样斑块及易损斑块的特征图像，对所述冠状动脉粥样硬化初始识别模型进行验证：
16、若是验证合格，则得到所述冠状动脉粥样硬化ai识别模型，并将所述冠状动脉粥样硬化ai识别模型部署于后台服务器上；
17、若是验证不合格，则重新标注并训练。
18、作为本专利技术的一种优选实施方案，所述对所述冠脉cta历史大数据分别进行标注，标注出所述冠脉cta历史大数据中每一张冠脉cta图像上的冠状动脉粥样斑块及易损斑块的特征图像，得到cta特征图像数据集，包括：
19、预先构建所述冠状动脉粥样斑块及易损斑块的标注训练图像；
20、利用所述标注训练图像，基于机器学习算法训练生成对应的标注模型；
21、利用所述标注模型遍历所述冠脉cta历史大数据中每一张冠脉cta图像，并对所述冠脉cta图像上的冠状动脉粥样斑块及易损斑块的特征图像进行自动识别并标注；
22、输出标注结果，得到已标注的所述cta特征图像数据集。
23、作为本专利技术的一种优选实施方案，在输出标注结果之后，还包括：
24、将所述标注结果发送至管理员进行标注质量检测；
25、管理员基于预设的标注质量检测规则，对所述标注结果进行标注质量检测：
26、若是标注质量合格，则输出对应的所述标注结果；
27、若是标注质量不合格，则输出对应不合格的所述标注结果并返回重新标注，同时对所述标注模型进行优化训练。
28、作为本专利技术的一种优选实施方案，所述基于深度学习模型，对所述训练集中的所述冠状动脉粥样斑块及易损斑块的特征图像进行训练学习，生成冠状动脉粥样硬化初始识别模型，包括：
29、采用u-net模型、resnet模型和densenet模型，分别对所述训练集中的所述冠状动脉粥样斑块及易损斑块的特征图像进行训练学习，生成对应的冠状动脉粥样硬化识别u-net模型、冠状动脉粥样硬化识别resnet模型和冠状动脉粥样硬化识别densenet模型；
30、对所述冠状动脉粥样硬化识别u-net模型、所述冠状动脉粥样硬化识别resnet模型和所述冠状动脉粥样硬化识别densenet模型进行模型融合、集成，生成所述冠状动脉粥样硬化初始识别模型。
31、作为本专利技术的一种优选实施方案，在识别出所述临床冠脉cta图像中具有对应冠状动脉粥样斑块及易损斑块的特征图像之后，还包括：
32、根据所识别的冠状动脉粥样斑块及易损斑块的特征图像，标记出所述冠状动脉粥样斑块及易损斑块的特征图像在所述临床冠脉cta图像上的位置区域；
33、根据所述冠状动脉粥样斑块及易损斑块的特征图像在所述临床冠脉cta图像上的位置区域，在所述临床冠脉cta图像上构建对应冠状动脉粥样斑块及易损斑块的roi区域。
34、另一方面，提供了一种冠状cta粥样斑块及易损斑块检测装置，所述冠状cta粥样斑块及易损斑块检测装置用于实现所述基于ai模型识别冠状cta粥样斑块及易损斑块的方法，所述装置包括：
35、ccta系统，用于采集冠状动脉粥样硬化患者的临床冠脉cta图像并上传后台服务器；
36、后台服务器，用于利用预先部署的冠状动脉粥样硬化ai识别模型中，识别并判断所述临床冠脉cta图像中是否具有对应冠状动脉粥样斑块及易损斑块的特征图像：
37、若有，则输出相应冠状动脉粥样斑块及易损斑块的特征图像；
38、反之，则输出无病变的检测结果。
39、另一方面，提供一种检测设备，所述检测设备包括：处理器；存储器，所述存储器上存储有本文档来自技高网...
【技术保护点】
1.一种基于AI模型识别冠状CTA粥样斑块及易损斑块的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于AI模型识别冠状CTA粥样斑块及易损斑块的方法，其特征在于，所述冠状动脉粥样硬化AI识别模型的生成方法，包括：
3.根据权利要求2所述的基于AI模型识别冠状CTA粥样斑块及易损斑块的方法，其特征在于，所述基于冠状动脉粥样硬化患者的冠脉CTA历史大数据，采用深度学习模型训练得到所述冠状动脉粥样硬化AI识别模型，包括：
4.根据权利要求3所述的基于AI模型识别冠状CTA粥样斑块及易损斑块的方法，其特征在于，所述对所述冠脉CTA历史大数据分别进行标注，标注出所述冠脉CTA历史大数据中每一张冠脉CTA图像上的冠状动脉粥样斑块及易损斑块的特征图像，得到CTA特征图像数据集，包括：
5.根据权利要求3所述的基于AI模型识别冠状CTA粥样斑块及易损斑块的方法，其特征在于，在输出标注结果之后，还包括：
6.根据权利要求3所述的基于AI模型识别冠状CTA粥样斑块及易损斑块的方法，其特征在于，所述基于深度学习模型，对所述训练集
7.根据权利要求1所述的基于AI模型识别冠状CTA粥样斑块及易损斑块的方法，其特征在于，在识别出所述临床冠脉CTA图像中具有对应冠状动脉粥样斑块及易损斑块的特征图像之后，还包括：
8.一种冠状CTA粥样斑块及易损斑块检测装置，所述冠状CTA粥样斑块及易损斑块检测装置用于实现如权利要求1-7任一项所述基于AI模型识别冠状CTA粥样斑块及易损斑块的方法，其特征在于，所述装置包括：
9.一种检测设备，其特征在于，所述检测设备包括：
10.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种基于ai模型识别冠状cta粥样斑块及易损斑块的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于ai模型识别冠状cta粥样斑块及易损斑块的方法，其特征在于，所述冠状动脉粥样硬化ai识别模型的生成方法，包括：
3.根据权利要求2所述的基于ai模型识别冠状cta粥样斑块及易损斑块的方法，其特征在于，所述基于冠状动脉粥样硬化患者的冠脉cta历史大数据，采用深度学习模型训练得到所述冠状动脉粥样硬化ai识别模型，包括：
4.根据权利要求3所述的基于ai模型识别冠状cta粥样斑块及易损斑块的方法，其特征在于，所述对所述冠脉cta历史大数据分别进行标注，标注出所述冠脉cta历史大数据中每一张冠脉cta图像上的冠状动脉粥样斑块及易损斑块的特征图像，得到cta特征图像数据集，包括：
5.根据权利要求3所述的基于ai模型识别冠状cta粥样斑块及易损斑块的方法，其特征在于，在输出标注结果之后，还包括：
【专利技术属性】
技术研发人员：张波，张宽，
申请(专利权)人：杭州倍佐健康科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。