[發明專利]基于深度學習的頸動脈狹窄檢測方法、裝置及存儲介質

在審

• 申請號: 202110631039.3
• 申請日: 2021-06-07
• 公開（公告）號: CN113303827A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 馬學升;劉偉奇
• 申請（專利權）人: 昆明同心醫聯科技有限公司
• 主分類號: A61B8/08
• 分類號: A61B8/08;G06N3/04;G06N3/08;G06T7/00;G06T7/11
• 代理公司: 北京知果之信知識產權代理有限公司 11541
• 代理人: 卜榮麗

1.一種基于深度學習的頸動脈狹窄檢測方法，其特征在于，包括：

獲取超聲圖像數據，對所述超聲圖像數據進行預處理，刪除所述超聲圖像數據中的非組織區域；

提取所述超聲圖像數據的二進制管腔特征，將所述超聲圖像數據中的每個像素分為管腔或非管腔；

對提取的二進制管腔特征進行近管腔內壁以及遠管腔內壁檢測得到檢測數據；

基于所述檢測數據得到風險表征和\或績效評估結果。

2.根據權利要求1所述的基于深度學習的頸動脈狹窄檢測方法，其特征在于，

還包括：

對所述超聲圖像數據進行自動裁剪、管腔二值化處理、圖像縮小和\或清潔以及圖像下采樣。

3.根據權利要求1所述的基于深度學習的頸動脈狹窄檢測方法，其特征在于，

所述圖像縮小包括：

將所述超聲圖像數據縮小預設比例，將超聲圖像數據中的頸動脈壁分為第一高回聲層，低回聲層和第二高回聲層。

4.根據權利要求1所述的基于深度學習的頸動脈狹窄檢測方法，其特征在于，

所述提取所述超聲圖像數據的二進制管腔特征包括：

通過編碼器采用卷積和視覺體積分組網絡架構進行二進制管腔特征的提取；

基于掃描訓練池對其先前卷積層的特征進行下采樣，使用的激活函數是整流線性單元，包括：

f(x)＝max(0，x)→[1]。

5.根據權利要求1所述的基于深度學習的頸動脈狹窄檢測方法，其特征在于，

所述將所述超聲圖像數據中的每個像素分為管腔或非管腔包括：

L(ρ，Q)為損失函數，ρ為預測值，Q為常數，c為當前標簽，C為標簽總數，n為當前圖像，N為圖像總數，L為ρ與實際標簽Q之間所預測的不確定性值，ρ_n(c)為分類c中第n個圖片的預測輸出值，Q_n(C)為分類c中第n個圖片的常數。

6.根據權利要求1所述的基于深度學習的頸動脈狹窄檢測方法，其特征在于，

所述檢測數據包括狹窄指數SSI，通過以下公式計算狹窄指數SSI，包括：

其中，所述LD_min為最小管腔內壁，所述LD_nor為正常管腔內壁，所述正常管腔內壁預先設置。

7.一種基于深度學習的頸動脈狹窄檢測裝置，其特征在于，包括：

預處理模塊，用于獲取超聲圖像數據，對所述超聲圖像數據進行預處理，刪除所述超聲圖像數據中的非組織區域；

特征提取模塊，用于提取所述超聲圖像數據的二進制管腔特征，將所述超聲圖像數據中的每個像素分為管腔或非管腔；

檢測模塊，用于對提取的二進制管腔特征進行近管腔內壁以及遠管腔內壁檢測得到檢測數據；

得到模塊，用于基于所述檢測數據得到風險表征和\或績效評估結果。

8.根據權利要求7所述的基于深度學習的頸動脈狹窄檢測裝置，其特征在于，

還包括預處理單元，所述預處理單元用于執行以下步驟，包括：

對所述超聲圖像數據進行自動裁剪、管腔二值化處理、圖像縮小和\或清潔以及圖像下采樣。

9.根據權利要求7所述的基于深度學習的頸動脈狹窄檢測裝置，其特征在于，

所述預處理單元還用于執行以下步驟，包括：

將所述超聲圖像數據縮小預設比例，將超聲圖像數據中的頸動脈壁分為第一高回聲層，低回聲層和第二高回聲層。

10.一種可讀存儲介質，其特征在于，所述可讀存儲介質中存儲有計算機程序，所述計算機程序被處理器執行時用于實現權利要求1至6任一所述的方法。