[发明专利]基于深度学习的颈动脉狭窄检测方法、装置及存储介质

权利要求书

1.一种基于深度学习的颈动脉狭窄检测方法，其特征在于，包括：

获取超声图像数据，对所述超声图像数据进行预处理，删除所述超声图像数据中的非组织区域；

提取所述超声图像数据的二进制管腔特征，将所述超声图像数据中的每个像素分为管腔或非管腔；

对提取的二进制管腔特征进行近管腔内壁以及远管腔内壁检测得到检测数据；

基于所述检测数据得到风险表征和\或绩效评估结果。

2.根据权利要求1所述的基于深度学习的颈动脉狭窄检测方法，其特征在于，

还包括：

对所述超声图像数据进行自动裁剪、管腔二值化处理、图像缩小和\或清洁以及图像下采样。

3.根据权利要求1所述的基于深度学习的颈动脉狭窄检测方法，其特征在于，

所述图像缩小包括：

将所述超声图像数据缩小预设比例，将超声图像数据中的颈动脉壁分为第一高回声层，低回声层和第二高回声层。

4.根据权利要求1所述的基于深度学习的颈动脉狭窄检测方法，其特征在于，

所述提取所述超声图像数据的二进制管腔特征包括：

通过编码器采用卷积和视觉体积分组网络架构进行二进制管腔特征的提取；

基于扫描训练池对其先前卷积层的特征进行下采样，使用的激活函数是整流线性单元，包括：

f(x)＝max(0，x)→[1]。

5.根据权利要求1所述的基于深度学习的颈动脉狭窄检测方法，其特征在于，

所述将所述超声图像数据中的每个像素分为管腔或非管腔包括：

L(ρ，Q)为损失函数，ρ为预测值，Q为常数，c为当前标签，C为标签总数，n为当前图像，N为图像总数，L为ρ与实际标签Q之间所预测的不确定性值，ρ_n(c)为分类c中第n个图片的预测输出值，Q_n(C)为分类c中第n个图片的常数。

6.根据权利要求1所述的基于深度学习的颈动脉狭窄检测方法，其特征在于，

所述检测数据包括狭窄指数SSI，通过以下公式计算狭窄指数SSI，包括：

其中，所述LD_min为最小管腔内壁，所述LD_nor为正常管腔内壁，所述正常管腔内壁预先设置。

7.一种基于深度学习的颈动脉狭窄检测装置，其特征在于，包括：

预处理模块，用于获取超声图像数据，对所述超声图像数据进行预处理，删除所述超声图像数据中的非组织区域；

特征提取模块，用于提取所述超声图像数据的二进制管腔特征，将所述超声图像数据中的每个像素分为管腔或非管腔；

检测模块，用于对提取的二进制管腔特征进行近管腔内壁以及远管腔内壁检测得到检测数据；

得到模块，用于基于所述检测数据得到风险表征和\或绩效评估结果。

8.根据权利要求7所述的基于深度学习的颈动脉狭窄检测装置，其特征在于，

还包括预处理单元，所述预处理单元用于执行以下步骤，包括：

对所述超声图像数据进行自动裁剪、管腔二值化处理、图像缩小和\或清洁以及图像下采样。

9.根据权利要求7所述的基于深度学习的颈动脉狭窄检测装置，其特征在于，

所述预处理单元还用于执行以下步骤，包括：

将所述超声图像数据缩小预设比例，将超声图像数据中的颈动脉壁分为第一高回声层，低回声层和第二高回声层。

10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至6任一所述的方法。