[发明专利]一种冠状动脉易损斑块自动识别系统

说明书

本发明涉及一种冠状动脉易损斑块自动识别系统，其基于卷积神经网络实现，即通过人工智能卷积神经网络技术对CCTA数据进行深度挖掘，自动提取易损斑块潜在的定量化特征信息，建立易损斑块高精度识别系统，可明显提高无创性手段对易损斑块的检出率，解决关于易损斑块特征判读对医生经验的依赖性和人眼对像素识别的局限性，减少影像医生对大量图像判定的工作负担。

技术领域

本发明涉及一种冠状动脉易损斑块自动识别系统。

背景技术

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。而大量研究显示，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。然而易损斑块(Vulnerableplaque)具有症状隐匿性、破裂突发性的特点，难以早期精准诊断。

目前，血管内超声(intravascular ultrasound，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 CT Angiography，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。但冠状动脉斑块自身形态结构复杂，同时CCTA的斑块评估还受到斑块分析软件可重复性，特别是医生经验的差异性，肉眼识别的局限性的影响，无法对易损斑块进行精准的识别和判定。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，解决目前诊断体系对易损斑块识别的不全面性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：针对目前诊断体系对冠状动脉易损斑块早期识别的不全面性，旨在构建基于卷积神经网络的易损斑块精准自动识别系统。

本发明解决其技术问题所采用的技术方案是：

一种冠状动脉易损斑块自动识别系统，所述系统的实现基于数据扩充技术和迁移学习技术实现；所述系统包括：

第一获取模块：用于获取训练图像，并发送给第一图像预处理模块进行预处理；

第二获取模块：用于获取测试图像，并发送给第二图像预处理模块进行预处理；

第一和第二图像预处理模块将预处理后的数据发送给具有3D卷积神经网络(3D-CNN)模型的第一处理模块；

第二处理模块：接收第一处理模块经3D-CNN模型匹配后的数据，执行冠状斑块形态识别；

输出模块：用于实现冠状斑块信息输出。