[发明专利]一种多对比学习冠状动脉高危斑块检测方法、系统及终端

说明书

本发明属于医学图像处理、计算机辅助诊断技术领域，公开了一种多对比学习冠状动脉高危斑块检测方法、系统及终端，在三维医学扫描数据上，沿医生标记的冠状动脉中心线点提取二维图像序列作为样本，划分样本数据集；以冠状动脉二维图像序列样本作为输入，图像是否含有高危斑块作为输出，构建基于Transformer的多对比学习冠状动脉高危斑块检测网络，实现冠脉高危斑块检测。本发明的冠状动脉高危斑块检测方法不需要对提取的数据样本进行标注，避免了标注误差；使用大量无标记的数据训练基于Transformer的多路孪生网络，有助于提高网络生成特征表示的能力；通过特征重编码生成病人级别特征表示用于最终预测，缩短工作时间。

技术领域

本发明属于医学图像处理、计算机辅助诊断技术领域，尤其涉及一种多对比学习冠状动脉高危斑块检测方法、系统及终端。

背景技术

目前，冠状动脉粥样硬化斑块中的高危/易损斑块通常存在于冠脉斑块形成的早期，是急性心血管事件发生的主要诱因。因此，如果能在冠脉斑块形成初期对斑块性质进行分析，医生便可根据不同风险等级的斑块制订相应的治疗策略，从而预防急性心血管事件发生。现有研究大多使用传统机器学习方法检测冠状动脉中的高危斑块，即首先由经验丰富的专家手工设计特征，然后将提取出的特征送入机器学习分类器中预测斑块类型。这个过程严重依赖操作者的经验和丰富的专业知识，并且是费时费力的。因此，使用传统机器学习方法实现冠状动脉高危斑块的检测仍然存在一定的局限性。

目前，深度学习已经被广泛应用在脑部肿瘤检测、心血管斑块识别等医学图像领域。此外，大量的研究已经证实了深度学习在医学图像领域应用的可行性。深度学习模型往往需要大量有标签的样本才能充分发掘样本信息，然而对于医学图像数据来说，有标签样本的获取十分困难，并且样本的标注过程又需要耗费大量的时间。此外，由于冠状动脉易损斑块的特性，即CCTA扫描中包含两种或以上的易损斑块特征的斑块被定义为易损斑块，单个图像对应单个标签的深度学习训练方式不适用于高危斑块检测任务，因为斑块通常跨越多张CCTA扫描。鉴于数据样本特征的多样性，机器学习方法很难手工设计出合适的区分度大的特征，过程繁琐；数据标注过程需要一定的经验，而深度学习方法在数据获取和标注上存在困难，耗时费力，且对单个图像的标注存在误差，故亟需设计一种新的冠状动脉高危斑块检测方法。

通过上述分析，现有技术存在的问题及缺陷为：

(1)鉴于冠脉斑块样本特征的多样性，机器学习方法在设计特征时，很难设计出针对易损斑块的特异性特征，且严重依赖操作者的经验和丰富的专业知识，费时费力。

(2)现有的深度学习模型训练需要大量标注数据，然而对于医学图像数据有标签样本的获取十分困难，并且样本的标注过程需要耗费大量时间。

(3)由于冠状动脉易损斑块的特性，一个斑块通常跨越多张CCTA扫描，单个图像对应单个标签的深度学习训练方式存在误差，不适用于高危斑块检测任务。

发明内容

针对现有技术存在的问题，本发明提供了一种多对比学习冠状动脉高危斑块检测方法、系统及终端，尤其涉及一种基于Transformer的多对比学习冠状动脉高危斑块检测方法、系统、介质、设备及终端。

本发明是这样实现的，一种多对比学习冠状动脉高危斑块检测方法，多对比学习冠状动脉高危斑块检测方法包括：在三维医学扫描数据上，沿医生标记的冠状动脉中心线点提取二维图像序列作为样本，划分样本数据集；以冠状动脉二维图像序列样本作为输入，图像是否含有高危斑块作为输出，构建基于Transformer的多对比学习冠状动脉高危斑块检测网络，实现冠脉高危斑块检测。