本技術(shù)涉及醫(yī)學(xué)圖像分析與處理，尤其涉及一種復(fù)雜主動(dòng)脈病變智能分析方法、系統(tǒng)及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、復(fù)雜主動(dòng)脈病變，如stanfordb型主動(dòng)脈夾層和復(fù)雜腹主動(dòng)脈瘤，是一種嚴(yán)重的血管疾病，其治療需要精確的血管重建技術(shù)。目前，體外預(yù)開窗聯(lián)合束徑技術(shù)已成為治療這類病變的有效手段。然而，該技術(shù)對(duì)開窗位置的精準(zhǔn)度和支架釋放的精確度要求極高，且在臨床應(yīng)用中，對(duì)于病變的分析和手術(shù)方案的制定主要依賴于醫(yī)生的經(jīng)驗(yàn)和主觀判斷，缺乏系統(tǒng)化、智能化的分析方法，這在一定程度上影響了手術(shù)的成功率和患者的預(yù)后。

2、類似的現(xiàn)有技術(shù)公開號(hào)為cn110675375a的中國(guó)專利申請(qǐng)，提供一種胸腹腔主動(dòng)脈圖像夾層自動(dòng)判別方法，包括：通過radon變換對(duì)醫(yī)學(xué)主動(dòng)脈區(qū)域輪廓cta圖像進(jìn)行投影及統(tǒng)計(jì)，并結(jié)合主動(dòng)脈輪廓的面積與周長(zhǎng)特征，可以快速準(zhǔn)確的判斷出主動(dòng)脈區(qū)域是否含有夾層。然而，該方法僅依賴于cta圖像，未涉及其他模態(tài)(如mri、超聲心動(dòng)圖等)的融合，單一模態(tài)圖像可能無法全面反映病變的復(fù)雜性，對(duì)于某些夾層特征不明顯的圖像，判別能力可能受限。

3、類似的現(xiàn)有技術(shù)還有公開號(hào)為cn118735797a的中國(guó)專利申請(qǐng)，提供一種基于多尺度特征融合的主動(dòng)脈病變?cè)u(píng)估方法，包括步驟s1、獲取待評(píng)估胸腹部平掃ct圖像，提取并重建后得到主動(dòng)脈三維結(jié)構(gòu)圖像；步驟s2、基于主動(dòng)脈三維結(jié)構(gòu)圖像獲得多尺度圖像特征，包括多尺度融合圖像特征和主動(dòng)脈三維圖像特征；步驟s3、獲取主動(dòng)脈病變?cè)u(píng)估模型，將所述多尺度圖像特征輸入主動(dòng)脈病變?cè)u(píng)估模型；步驟s4、所述主動(dòng)脈病變?cè)u(píng)估模型根據(jù)多尺度圖像特征評(píng)估主動(dòng)脈病變?cè)u(píng)估結(jié)果。然而，該方法主要基于胸腹部平掃ct圖像，對(duì)于某些病變類型(如早期夾層或微小病變)，平掃ct圖像的分辨率和對(duì)比度可能不足以提供足夠的診斷信息。

4、由此，本發(fā)明提供一種復(fù)雜主動(dòng)脈病變智能分析方法、系統(tǒng)及存儲(chǔ)介質(zhì)。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供了一種復(fù)雜主動(dòng)脈病變智能分析方法、系統(tǒng)及存儲(chǔ)介質(zhì)，用于提高病變的識(shí)別準(zhǔn)確率。

2、第一方面，本技術(shù)提供了一種復(fù)雜主動(dòng)脈病變智能分析方法，所述方法包括：

3、步驟s1、收集若干包含不同病變類型的多種圖像類型的主動(dòng)脈圖像，每種圖像類型的主動(dòng)脈圖像包括正常主動(dòng)脈圖像和病變主動(dòng)脈圖像，收集對(duì)應(yīng)的病變信息作為標(biāo)簽信息，標(biāo)簽信息包括病變類型和病變范圍，基于標(biāo)簽信息對(duì)病變主動(dòng)脈圖像進(jìn)行標(biāo)注；

4、步驟s2、使用第一提取模型從主動(dòng)脈圖像中提取出病變區(qū)域，從所述病變區(qū)域中提取預(yù)設(shè)第一大小的關(guān)鍵區(qū)域，基于所述標(biāo)注信息將所述關(guān)鍵區(qū)域和對(duì)應(yīng)的病變信息組合生成第一訓(xùn)練數(shù)據(jù)，基于所述第一訓(xùn)練數(shù)據(jù)訓(xùn)練第一識(shí)別模型，所述第一識(shí)別模型能夠根據(jù)主動(dòng)脈圖像的關(guān)鍵區(qū)域輸出對(duì)應(yīng)的病變類型和病變?cè)u(píng)分，所述病變?cè)u(píng)分代表對(duì)應(yīng)病變類型的病變概率；

5、步驟s3、獲取患者的多種圖像類型的待分析主動(dòng)脈圖像，將所有所述待分析主動(dòng)脈圖像進(jìn)行增強(qiáng)處理，將增強(qiáng)處理后的每種圖像類型的所述待分析主動(dòng)脈圖像輸入到所述第一提取模型中獲取對(duì)應(yīng)的所述病變區(qū)域，再?gòu)拿總€(gè)所述病變區(qū)域中提取預(yù)定大小的關(guān)鍵區(qū)域，使用訓(xùn)練好的第一識(shí)別模型對(duì)待分析主動(dòng)脈圖像中的每個(gè)所述關(guān)鍵區(qū)域進(jìn)行識(shí)別，獲取每種病變類型的病變?cè)u(píng)分，計(jì)算待分析主動(dòng)脈圖像的每種病變類型的第一病變?cè)u(píng)分，基于所述第一病變?cè)u(píng)分確定對(duì)應(yīng)的病變類型。

6、結(jié)合第一方面，在本技術(shù)第一方面的第一種實(shí)現(xiàn)方式中，使用第一提取模型從主動(dòng)脈圖像中提取出病變區(qū)域，包括：

7、獲取主動(dòng)脈圖像中每個(gè)像素的亮度值，統(tǒng)計(jì)每個(gè)亮度值的頻率分布，獲取最大頻率和最小頻率，并預(yù)設(shè)第一數(shù)值，將每個(gè)亮度值的頻率減去所述最小頻率得到第一結(jié)果值，將所述最大頻率減去所述最小頻率得到第二結(jié)果值，將所述第一結(jié)果值除以所述第二結(jié)果值得到第三結(jié)果值，將所述第三結(jié)果值乘以所述第一數(shù)值得到第四結(jié)果值，將所述第四結(jié)果值作為對(duì)應(yīng)亮度值的歸一化頻率，基于所述歸一化頻率生成所述主動(dòng)脈圖像亮度值的直方圖，使用多個(gè)不同的數(shù)學(xué)模型擬合歸一化頻率分布，調(diào)整每個(gè)所述數(shù)學(xué)模型的參數(shù)，將多個(gè)所述數(shù)學(xué)模型組合后擬合所述歸一化頻率的分布，基于調(diào)整參數(shù)后的所述數(shù)學(xué)模型，將所述主動(dòng)脈圖像中的像素分成不同的組，將被分為同一組的像素視為屬于同一區(qū)域，對(duì)多個(gè)不同區(qū)域進(jìn)行分析識(shí)別出病變區(qū)域。

8、結(jié)合第一方面，在本技術(shù)第一方面的第二種實(shí)現(xiàn)方式中，對(duì)多個(gè)不同區(qū)域進(jìn)行分析識(shí)別出病變區(qū)域，包括：

9、從每個(gè)區(qū)域中提取像素的亮度值，計(jì)算每個(gè)區(qū)域的亮度值平均值和第一標(biāo)準(zhǔn)差，還計(jì)算每個(gè)區(qū)域的第二數(shù)值，將所述亮度平均值、所述第一標(biāo)準(zhǔn)差和所述第二數(shù)值作為特征值，歸一化所述特征值，基于歸一化后的所述特征值繪制每個(gè)區(qū)域的特征多邊形，首先設(shè)置一個(gè)原點(diǎn)，以所述原點(diǎn)沿第一數(shù)量個(gè)方向畫多條線段，每條線段代表一個(gè)特征值，對(duì)每個(gè)區(qū)域，將歸一化后的特征值標(biāo)記在對(duì)應(yīng)的線段上，將每個(gè)區(qū)域?qū)?yīng)的所有特征值依次連接形成一個(gè)多邊形，計(jì)算每個(gè)多邊形的面積，獲取面積大于預(yù)設(shè)第一閾值的第一多邊形，計(jì)算每個(gè)所述第一多邊形對(duì)應(yīng)的特征值的第二標(biāo)準(zhǔn)差，獲取所述第二標(biāo)準(zhǔn)差大于第二閾值的第一多邊形稱為第二多邊形，將所述第二多邊形對(duì)應(yīng)的區(qū)域作為病變區(qū)域。

10、結(jié)合第一方面，在本技術(shù)第一方面的第三種實(shí)現(xiàn)方式中，計(jì)算每個(gè)區(qū)域的第二數(shù)值，包括：

11、從每個(gè)區(qū)域中獲取包含預(yù)設(shè)數(shù)量個(gè)像素的小區(qū)域，獲取每個(gè)所述小區(qū)域的中心像素，對(duì)所述小區(qū)域中的其他像素，比較和所述中心像素的灰度值的大小，若其他像素的灰度值大于等于所述中心像素的灰度值，則將其標(biāo)記為1，否則標(biāo)記為0，將每個(gè)所述小區(qū)域包含的所有其他像素對(duì)應(yīng)的標(biāo)記數(shù)值組合為一個(gè)二進(jìn)制數(shù)，統(tǒng)計(jì)所有所述小區(qū)域的二進(jìn)制數(shù)，獲取所有不重復(fù)的所述二進(jìn)制數(shù)的總數(shù)量，將所述總數(shù)量作為所述第二數(shù)值。

12、結(jié)合第一方面，在本技術(shù)第一方面的第四種實(shí)現(xiàn)方式中，計(jì)算待分析主動(dòng)脈圖像的每種病變類型的第一病變?cè)u(píng)分，包括：

13、對(duì)每種所述病變類型，獲取每個(gè)所述關(guān)鍵區(qū)域的所述病變?cè)u(píng)分，計(jì)算所述病變?cè)u(píng)分的評(píng)分平均值，計(jì)算所述評(píng)分平均值的標(biāo)準(zhǔn)差作為第三標(biāo)準(zhǔn)差，若所述第三標(biāo)準(zhǔn)差大于等于預(yù)設(shè)的第三閾值，還計(jì)算每個(gè)所述關(guān)鍵區(qū)域?qū)?yīng)的所述病變區(qū)域占所述待分析主動(dòng)脈圖像的面積比值，將所有所述面積比值進(jìn)行歸一化處理，將歸一化處理后的所述面積比值作為對(duì)應(yīng)所述病變?cè)u(píng)分的第一權(quán)重，基于所述第一權(quán)重和所述病變?cè)u(píng)分，計(jì)算病變?cè)u(píng)分的加權(quán)評(píng)分平均值，將所述加權(quán)評(píng)分平均值作為所述病變類型的第一病變?cè)u(píng)分，若所述第三標(biāo)準(zhǔn)差小于所述第三閾值，將所述評(píng)分平均值作為所述病變類型的第一病變?cè)u(píng)分。

14、結(jié)合第一方面，在本技術(shù)第一方面的第五種實(shí)現(xiàn)方式中，基于所述第一病變?cè)u(píng)分確定對(duì)應(yīng)的病變類型，包括：

15、計(jì)算每種圖像類型的待分析主動(dòng)脈圖像的病變類型的所述第一病變?cè)u(píng)分，根據(jù)歷史數(shù)據(jù)為每種圖像類型設(shè)置對(duì)應(yīng)的第二權(quán)重，基于所述第二權(quán)重和所述第一病變?cè)u(píng)分，計(jì)算多種圖像類型的每種所述病變類型的綜合病變得分，獲取所有所述綜合病變得分中的最大綜合病變得分，判斷所述最大綜合病變得分是否大于等于預(yù)設(shè)的第四閾值，是的情況下，將所述最大綜合病變得分對(duì)應(yīng)的病變類型作為對(duì)應(yīng)患者的病變類型，否的情況下，由專業(yè)人員對(duì)各步驟的結(jié)果進(jìn)行進(jìn)一步復(fù)查。

16、結(jié)合第一方面，在本技術(shù)第一方面的第六種實(shí)現(xiàn)方式中，將所有待分析主動(dòng)脈圖像進(jìn)行增強(qiáng)處理，包括：

17、預(yù)先準(zhǔn)備多張第一類圖像和第二類圖像，將所述第一類圖像和所述第二類圖像互相關(guān)聯(lián)生成圖像組合，基于所述圖像組合訓(xùn)練生成第一模型，所述第一模型能夠基于所述第一類圖像生成第二類圖像，所述第一模型生成所述第二類圖像后，將所述第一模型生成的所述第二類圖像作為第三類圖像，基于所述第三類圖像和對(duì)應(yīng)的所述第二類圖像進(jìn)行對(duì)比，計(jì)算所述第三類圖像和所述第二類圖像之間的差異度，若所述差異度大于等于預(yù)設(shè)的第五閾值，所述第一模型基于所述差異度調(diào)整模型參數(shù)，重復(fù)本步驟，直到所述差異度小于所述第五閾值。

18、結(jié)合第一方面，在本技術(shù)第一方面的第七種實(shí)現(xiàn)方式中，基于所述圖像組合訓(xùn)練生成第一模型，包括：

19、在訓(xùn)練生成所述第一模型的過程中，將所述第一類圖像的特征圖分成若干組，每組分別使用多個(gè)不同大小的卷積核進(jìn)行卷積操作得到中間特征圖，將所有中間特征圖拼接在一起生成所述第三類圖像，基于所述差異度生成每個(gè)組的權(quán)重，將每個(gè)組的中間特征圖和對(duì)應(yīng)的權(quán)重相乘得到新的中間特征圖，將新的中間特征圖組合生成所述第三類圖像。

20、第二方面，本技術(shù)提供了一種復(fù)雜主動(dòng)脈病變智能分析系統(tǒng)，所述系統(tǒng)包括：

21、圖像收集模塊，用于收集若干包含不同病變類型的多種圖像類型的主動(dòng)脈圖像，每種圖像類型的主動(dòng)脈圖像包括正常主動(dòng)脈圖像和病變主動(dòng)脈圖像，收集對(duì)應(yīng)的病變信息作為標(biāo)簽信息，標(biāo)簽信息包括病變類型和病變范圍，基于標(biāo)簽信息對(duì)病變主動(dòng)脈圖像進(jìn)行標(biāo)注；

22、模型訓(xùn)練模塊，用于使用第一提取模型從主動(dòng)脈圖像中提取出病變區(qū)域，從所述病變區(qū)域中提取預(yù)設(shè)第一大小的關(guān)鍵區(qū)域，基于所述標(biāo)注信息將所述關(guān)鍵區(qū)域和對(duì)應(yīng)的病變信息組合生成第一訓(xùn)練數(shù)據(jù)，基于所述第一訓(xùn)練數(shù)據(jù)訓(xùn)練第一識(shí)別模型，所述第一識(shí)別模型能夠根據(jù)主動(dòng)脈圖像的關(guān)鍵區(qū)域輸出對(duì)應(yīng)的病變類型和病變?cè)u(píng)分，所述病變?cè)u(píng)分代表對(duì)應(yīng)病變類型的病變概率；

23、病變分析模塊，用于獲取患者的多種圖像類型的待分析主動(dòng)脈圖像，將所有待分析主動(dòng)脈圖像進(jìn)行增強(qiáng)處理，將增強(qiáng)處理后的每種圖像類型的所述待分析主動(dòng)脈圖像輸入到所述第一提取模型中獲取對(duì)應(yīng)的所述病變區(qū)域，再?gòu)拿總€(gè)所述病變區(qū)域中提取預(yù)定大小的關(guān)鍵區(qū)域，使用訓(xùn)練好的第一識(shí)別模型對(duì)待分析主動(dòng)脈圖像中的每個(gè)所述關(guān)鍵區(qū)域進(jìn)行識(shí)別，獲取每種病變類型的病變?cè)u(píng)分，計(jì)算待分析主動(dòng)脈圖像的每種病變類型的第一病變?cè)u(píng)分，基于所述第一病變?cè)u(píng)分確定對(duì)應(yīng)的病變類型。

24、本技術(shù)的第三方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有指令，當(dāng)其在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行上述的一種復(fù)雜主動(dòng)脈病變智能分析方法。

25、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果至少如下所述：

26、本技術(shù)提供的技術(shù)方案中，收集若干包含不同病變類型的多種圖像類型的主動(dòng)脈圖像，收集病變信息作為標(biāo)簽信息，基于標(biāo)簽信息對(duì)病變主動(dòng)脈圖像進(jìn)行標(biāo)注；提取出病變區(qū)域和關(guān)鍵區(qū)域，生成第一訓(xùn)練數(shù)據(jù)并訓(xùn)練第一識(shí)別模型；獲取患者的多種圖像類型的待分析主動(dòng)脈圖像并進(jìn)行增強(qiáng)處理，使用訓(xùn)練好的第一識(shí)別模型對(duì)待分析主動(dòng)脈圖像中的每個(gè)關(guān)鍵區(qū)域進(jìn)行識(shí)別，獲取每種病變類型的病變?cè)u(píng)分，計(jì)算待分析主動(dòng)脈圖像的每種病變類型的第一病變?cè)u(píng)分，基于第一病變?cè)u(píng)分確定病變類型。

27、通過結(jié)合多種圖像類型，從不同角度獲取主動(dòng)脈病變的特征信息，從而更全面地反映病變的復(fù)雜性；通過多模態(tài)數(shù)據(jù)的融合，系統(tǒng)能夠利用不同模態(tài)的優(yōu)勢(shì)，彌補(bǔ)單一模態(tài)的不足，顯著提高病變?cè)\斷的準(zhǔn)確性；通過提取病變區(qū)域，還結(jié)合紋理特征、灰度特征等多維度信息，使病變識(shí)別更加準(zhǔn)確。