[发明专利]一种基于深度学习的颈动脉管径比测量方法和系统

说明书

本发明提供一种深度学习的颈动脉管径比测量方法和系统，对超声图像中的颈动脉和斑块进行特征提取，获取包括颈动脉轮廓和斑块轮廓的整体轮廓特征数据，获取颈动脉轮廓和斑块轮廓的整体轮廓特征的中心线，获取中心线上中心点坐标集合，获取斑块轮廓的边缘点坐标集合，计算两坐标集合的最小Hausdorff距离对应的目标中心点和目标边缘点，将目标中心点和目标边缘点形成的直线作为法向，获取直线与第一轮廓曲线和第二轮廓曲线相交的交点，两交点之间的距离为第一距离，计算斑块轮廓到相邻的其中一个交点的距离作为第二距离，第二距离与第一距离的比值，作为颈动脉管径比。无需人工参与，提高测量效率以及测量稳定性。

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种基于深度学习的颈动脉管径比测量方法和系统。

背景技术

脑血管病是世界范围内公认的致残率、病死率最高的疾病之一，包括出血性脑血管病和缺血性脑血管病。由于颈动脉是向大脑供血的主要动脉之一，当颈动脉存在严重的粥样硬化时，就可能会导致脑缺血的发生。而颈动脉粥样硬化的明显特征是动脉内腔出现颈动脉斑块。斑块不仅仅限制向阻塞的下游的组织和器官递送新鲜血液，而且也会在变窄的管腔中捕获血凝块，阻挡所有血流。另外的、相等严重性的事件能够由颈动脉斑块引起。由于颈动脉向脑部提供血液供应，在颈动脉血流中的特定物质会造成脑血管阻塞以及潜在的卒中的风险。斑块成分不同，其易损性与稳定性也不同。因此对颈动脉斑块进行早期识别与成分检测，对于缺血性脑卒中的预防与高危人群的风险评估有重要的现实意义。临床上，通过对颈动脉的狭窄程度及斑块的形态学测定，来对颈动脉斑块进行评价，判断其危害性，主要是通过设置参考点匹配的传统算法或者人工测量的方式获取斑块参数。由于，颈动脉斑块图像本身具有很多噪声和伪像的存在，传统的图像算法很难达到稳定的测量效果，人工计算效率又低下。

发明内容

基于现有问题，本发明提供一种深度学习的颈动脉管径比测量方法和系统，旨在解决现有技术中斑块参数获取效率低下、测量不稳定等技术问题。

一种基于深度学习的颈动脉管径比测量方法，包括如下步骤：

步骤A1，获取颈动脉斑块的超声图像；

步骤A2，采用图像分割模型对超声图像中的颈动脉和斑块进行特征提取，获取同时包括颈动脉轮廓和斑块轮廓的整体轮廓特征数据，整体轮廓特征数据包括包含同时包括颈动脉和斑块的相对的第一轮廓曲线和第二轮廓曲线；

步骤A3，获取整体轮廓特征数据的中心线；

步骤A4，获取中心线上的若干点坐标以形成一中心点坐标集合；

步骤A5，从提取出的斑块轮廓中获取斑块的若干边缘点坐标以形成一边缘点坐标集合；

步骤A6，获取中心点坐标集合和边缘点坐标集合之间的最小豪斯多夫距离，将与最小豪斯多夫距离相对应的中心点坐标作为目标中心点，将与最小豪斯多夫距离相对应的边缘点坐标作为目标边缘点；

步骤A7，将目标中心点和目标边缘点形成的直线作为法向，获取直线与第一轮廓曲线相交的第一交点，并获取直线与第二轮廓曲线相交的第二交点，计算第一交点和第二交点之间的距离，作为第一距离；

步骤A8，判断斑块轮廓与第一轮廓曲线还是与第二轮廓曲线有重叠；

步骤A9，当斑块轮廓与第一轮廓曲线重叠时，计算第一交点和目标边缘点之间的距离作为第二距离；以及

当斑块轮廓与第二轮廓曲线重叠时，计算第二交点和目标边缘点之间的距离作为第二距离；

步骤A10，计算第二距离与第一距离的比值，作为颈动脉管径比。

进一步的，图像分割模型为Unet神经网络模型。