[发明专利]一种多维度斑块破裂风险预警系统

说明书

本发明提供的一种多维度斑块破裂风险预警系统，将获得的CCTA易损斑块自动识别方法与基于深度学习的CT实时血流动力学分析技术相整合，创建更加高效、灵敏、精准的无创性斑块破裂风险预警模型，为冠状动脉斑块破裂的智能化无创精准检测和早期预警提供全面可靠的依据和关键性的技术手段。

技术领域

本发明涉及一种多维度斑块破裂风险预警系统。

背景技术

冠心病是严重危害人类健康的头号杀手，大量研究表明易损斑块破裂继发血栓形成是引起急性心血管事件(ACS)的主要因素。尽管目前对动脉粥样硬化斑块的认识不断进步，但由于易损斑块(Vulnerable plaque)具有症状隐匿性、破裂突发性的特点，临床上难以早期精准诊断。

近年来，冠状动脉造影(CAG)检查一直作为评估冠心病的金标准。但是其仅提供管腔的信息，无法详细判别冠状动脉血管壁及斑块内部的情况。血管内超声(intravascularultrasound，IVUS)与光学相干断层成像(optical oherence tomography，OCT)作为血管内影像学检测技术，在冠状动脉介入领域越来越显示其优越性。

目前，虽然IVUS、OCT等血管内影像学检查手段在识别易损斑块特征方面表现优异，但其有创性的检查方式局限了其在临床上的广泛应用。CT冠状动脉造影(Coronary CTAngiography，CCTA)作为非侵袭性的检查手段在冠心病的诊断方面得到了越来越广泛的应用，成为目前无创性评价冠状动脉粥样硬化斑块的主要影像学方法。相关研究表明，CCTA检测到的易损斑块特征明显增加了发生ACS的可能性。目前关于易损斑块的大量证据及诊断标准主要来自于局部形态特征的分析，对于冠心病的危险预警也大多局限于临床危险因素、血清生化等评估指标，尚缺乏基于精准的无创性解剖功能学相结合的评估体系及有效的预警模型和监测手段。如果能够通过无创性CTA或MRI等方法，结合神经网络深度学习等人工智能手段，对易损斑块进行多因素精准识别，同时在体监测斑块由稳定到不稳定乃至破裂的动态演变过程，将会拓展对易损斑块的认识，进一步深入了解斑块易损性在急性心血管事件中的触发机制，实现急性冠脉事件的早期预警和危险分层。

卷积神经网络是一种含有多层网络的网络结构，由输入层、卷积层、下采样层、输出层共同建立了卷积神经网络模型结构。由于它的特征检测层是通过训练数据进行学习，所以在使用时避免了显式的特征抽取，而是隐式地从训练数据中进行学习，因此在模式识别领域取得了显著成绩。

基于卷积神经网络人工智能技术可以对医学图像数据进行深度挖掘，自动提取医学影像中潜在的病理生理定量化相关信息，而并不只限于人工设计的影像学特征，预期可以通过对影像数据的这些高维特征进行降维并构建出高效的冠脉斑块形态识别模型，对易损斑块进行精准预测识别判断，获得和有创性腔内检查一致的诊断效果从而早期个性化指导临床决策。因此，如何整合无创性影像学方法与神经网络深度学习等人工智能手段，实现全心冠脉斑块定量化判别及易损斑块高精度自动检测，并建立新的影像学评价指标，完善急性心血管事件的风险评估体系是亟需解决的重大科学问题。

发明内容

本发明要解决的技术问题是：克服现有技术中缺乏基于精准的无创性解剖功能学相结合的评估体系及有效的预警模型和监测手段的技术问题，提供一种多维度斑块破裂风险预警系统。

本发明解决其技术问题所采用的技术方案是：

一种多维度斑块破裂风险预警系统，所述系统包括：

模型建立模块：建立多维度无创性易损斑块破裂风险预警模型；

检测模块：基于建立的预警模型进行预警；

其中所述多维度无创性易损斑块破裂风险预警模型是基于神经网络深度学习冠状动脉易损斑块自动识别系统以及实时血流动力学评估方法建立。

其中，模型建立模块具体包括：基于CT对斑块的量化分析以及CT斑块定性特征建立预警模块。