【技术实现步骤摘要】
本专利技术涉及智能医疗领域，更具体地，涉及一种基于多模态特征主动脉夹层预测模型的构建方法、设备、介质和程序产品。
技术介绍
1、主动脉夹层(ad)是一种严重的心血管疾病，其早期诊断和及时治疗对于减少死亡率至关重要。临床上，增强计算机断层扫描(ce-ct)是诊断主动脉夹层的金标准。然而，ce-ct价格昂贵，操作复杂，且患者会接触对比剂，可能会引起过敏反应或肾功能损害，严重时导致患者死亡，因此患者更倾向于接受nce-ct进行初步筛查，如果可以通过nce-ct实现可靠性足够高的诊断ad，这具有重要的临床意义。研究表明，无对比增强计算机断层扫描(nce-ct)可以在不使用对比剂的情况下诊断ad，然而，由于缺乏对比剂，nce-ct图像的对比度较低，难以准确区分主动脉与周围组织，尤其是在病变部位，导致误诊和漏诊风险增加。
2、由于以下原因，nce-ct诊断ad容易误诊：(1)由于主动脉与周围组织的对比度较低，网络很难将注意力集中在主动脉的管状结构上；(2)主动脉几何信息与ad之间的相关性不是确定的，因此很难建立主动脉几何信息与ad之间的关系模型；(3)主动脉内膜瓣的强度值与血液的强度值相似，这给网络识别假腔带来了挑战，而这也是放射医师诊断ad的标准。因此，开发一种能够在nce-ct上高精度识别主动脉结构进而准确检测主动脉夹层的自动化系统，有利于降低临床早期筛查主动脉夹层的漏诊或误诊。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提供一种基于
2、本申请第一方面公开一种基于多模态特征主动脉夹层预测模型的构建方法，所述方法包括：
3、s1：获取训练集样本中主动脉夹层的nce-ct影像；
4、s2：基于nce-ct影像进行训练得到主动脉管状特征；基于所述nce-ct影像进行主动脉分割得到主动脉分割特征；
5、s3：获取分割提示，将主动脉分割特征和分割提示、主动脉管状特征输入具有多头注意力网络的交叉关注网络，得到融合分割特征；
6、s4：将所述融合分割特征输入多头自注意力网络，将输入后得到的结果与所述主动脉分割特征逐元素相加，得到显示分割结果的预测模型。
7、在一些实施例中，在s2和s3之间，所述方法还包括s21：重塑、编码处理所述主动脉管状特征和所述主动脉分割特征，得到处理后主动脉管状特征和处理后主动脉分割特征；执行s3，将s3中的主动脉管状特征替换为处理后主动脉管状特征，将s3中的主动脉分割特征替换为处理后主动脉分割特征；
8、可选的，所述s21中处理后主动脉管状特征的获取公式为：
9、xcls＝encls(reshape(fcls)，reshape(fcls))；其中，encls为变换编码器，fcls为主动脉管状特征，xcls为处理后主动脉管状特征；
10、所述s21中处理后主动脉分割特征的获取公式为：
11、xseg＝enseg(reshape(fseg)，reshape(fseg))；其中，enseg为变换编码器，fseg为主动脉分割特征，xseg为处理后主动脉分割特征。
12、在一些实施例中，所述s3中融合管状特征ycls的获取公式为：
13、ycls＝pool(enshare(concat(xcls，promptcls)，xseg))；其中，ycls为融合管状特征，xcls为主动脉管状特征，promptcls为管状提示，xseg为主动脉分割特征，enshare为变换编码器；
14、所述s3中融合分割特征yseg的获取公式为：
15、yseg＝reshape(enshare(concat(xseg，promptseg)，xcls))；其中，yseg为融合分割特征，xseg为主动脉分割特征，promptseg为分割提示，xcls为主动脉管状特征，enshare为变换编码器。
16、在一些实施例中，所述主动脉分割特征的获取方法包括：通过totalsegmentator对所述nce-ct影像进行主动脉分割得到掩膜数据；该掩膜数据经过常规的u-net进行下采样(缩放图像)得到的高级分割特征图；
17、在一些实施例中，所述主动脉管状特征基于管状特征预测模型得到，所述管状特征预测模型的构建方法包括：
18、s201：获取训练集样本中主动脉夹层与nce-ct影像配对的ce-ct影像；
19、s202：利用残差网络提取所述nce-ct影像中主动脉的高尺度特征和低尺度特征；
20、s203：基于所述高尺度特征得到偏移量；基于所述偏移量指导所述低尺度特征的位置偏移，将低尺度特征发生位置偏移后的值和偏移量输入多头自注意力网络进行融合得到管状特征数据；基于所述管状特征数据得到学生模型分类结果；
21、s204：基于所述ce-ct影像对预训练大模型做调整得到教师模型，得到对应的教师模型分类结果；基于教师模型分类结果与学生模型分类结果，利用知识蒸馏优化学生模型，得到构建好的学生模型即为所述管状特征预测模型。
22、可选的，所述偏移量offset的获取方法包括：s203 1：将高尺度特征顺序输入卷积层和归一化层得到查询向量q，捕捉主动脉内部关键特征；s2032：将所述查询向量q进行映射得到所述偏移量offset；
23、可选的，所述s2031中查询向量的获取公式为：
24、q＝layernorm(conv(fhigh))；其中，q为查询向量，fhigh为高尺度特征，conv为卷积层，layernorm为归一化层；
25、可选的，所述s2032中偏移量offset的获取公式为：
26、offset＝conv(gelu(layernorm(conv(q))))；其中，offset为偏移量，conv为卷积层，layernorm为归一化层，gelu是激活函数；
27、可选的，s203中所述低尺度特征发生位置偏移后的值包括变形后的键k和值v，将变形后的键k和值v、查询向量q输入多头自注意力网络进行融合得到所述管状特征数据fdefor；
28、可选的，所述管状特征预测模型的构建方法还包括：获取管状提示，将主动脉管状特征和管状提示、主动脉分割特征输入具有多头注意力网络的交叉关注网络，得到融合管状特征；将所述融合管状特征与所述管状特征数据逐元素相加，并基于逐元素相加得到的结果输出学生模型分类结果。
29、在一些实施例中，在s1之后，s2之前，所述方法还包括：对所述配对的nce-ct、ce-ct影像进行标准化预处理，得到标准化nce-ct数据和标准化ce-ct数据；
30、可选的，所述标准本文档来自技高网...
【技术保护点】
1.基于多模态特征主动脉夹层预测模型的构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于多模态特征主动脉夹层预测模型的构建方法，其特征在于，在S2和S3之间，所述方法还包括S21：重塑、编码处理所述主动脉管状特征和所述主动脉分割特征，得到处理后主动脉管状特征和处理后主动脉分割特征；执行S3，将S3中的主动脉管状特征替换为处理后主动脉管状特征，将S3中的主动脉分割特征替换为处理后主动脉分割特征；
3.根据权利要求1所述的基于多模态特征主动脉夹层预测模型的构建方法，其特征在于，所述S3中融合管状特征的获取公式为：
4.根据权利要求1所述的基于多模态特征主动脉夹层预测模型的构建方法，其特征在于，所述主动脉分割特征的获取方法包括：通过TotalSegmentator对所述NCE-CT影像进行主动脉分割得到掩膜数据；该掩膜数据经过常规的U-Net进行下采样得到的高级分割特征图。
5.根据权利要求1所述的基于多模态特征主动脉夹层预测模型的构建方法，其特征在于，所述主动脉管状特征基于管状特征预测模型得到，所述管状特征预测模型的构建
6.根据权利要求1所述的基于多模态特征主动脉夹层预测模型的构建方法，其特征在于，在S1之后，S2之前，所述方法还包括：对所述配对的NCE-CT、CE-CT影像进行标准化预处理，得到标准化NCE-CT数据和标准化CE-CT数据；
7.一种主动脉夹层的检测方法，其特征在于，所述方法包括：
8.一种计算机设备，其特征在于，所述设备包括：存储器和处理器；所述存储器用于存储计算机程序；所述处理器执行所述计算机程序以实现权利要求1-7任一项所述的方法的步骤。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任意一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7任意一项所述的方法的步骤。
...【技术特征摘要】
1.基于多模态特征主动脉夹层预测模型的构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于多模态特征主动脉夹层预测模型的构建方法，其特征在于，在s2和s3之间，所述方法还包括s21：重塑、编码处理所述主动脉管状特征和所述主动脉分割特征，得到处理后主动脉管状特征和处理后主动脉分割特征；执行s3，将s3中的主动脉管状特征替换为处理后主动脉管状特征，将s3中的主动脉分割特征替换为处理后主动脉分割特征；
3.根据权利要求1所述的基于多模态特征主动脉夹层预测模型的构建方法，其特征在于，所述s3中融合管状特征的获取公式为：
4.根据权利要求1所述的基于多模态特征主动脉夹层预测模型的构建方法，其特征在于，所述主动脉分割特征的获取方法包括：通过totalsegmentator对所述nce-ct影像进行主动脉分割得到掩膜数据；该掩膜数据经过常规的u-net进行下采样得到的高级分割特征图。
5.根据权利要求1所述的基于多模态特征主动脉夹...
【专利技术属性】
技术研发人员：周梓杰，司徒志权，骆彦德，袁心辰，容兆威，李琪，林云海，谢国喜，
申请(专利权)人：广州医科大学，
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。