本發明涉及醫學圖像處理，更具體地說，它涉及一種自動識別和分析顱內動脈粥樣硬化斑塊的方法、裝置、設備及介質。

背景技術：

1、顱內動脈粥樣硬化斑塊是引發腦血管疾病的重要原因之一，如缺血性卒中。現有的影像技術，如ct血管造影、磁共振成像和數字減影血管造影，雖然在診斷顱內動脈粥樣硬化斑塊方面有一定的效果，但這些技術仍存在主觀依賴性強、操作復雜且診斷效率不高等問題。因此，醫學界逐漸探索通過人工智能技術輔助分析和識別顱內動脈粥樣硬化斑塊，從而提高診斷的準確性和效率。

2、盡管人工智能在顱內動脈粥樣硬化斑塊識別中展現出巨大潛力，但現有技術仍然存在一些不足之處：

3、1、數據質量和標注不足：訓練深度學習模型需要大量高質量、精準標注的影像數據。然而，在實際醫療場景中，由于顱內動脈粥樣硬化斑塊數據的稀缺性和復雜性，獲取大規模且準確標注的數據集仍然面臨挑戰。

4、2、模型可解釋性差：雖然人工智能模型在圖像識別任務中表現優異，但其復雜的內部機制導致模型的可解釋性較差，醫生很難完全理解模型的決策過程，從而在臨床應用中引發一定的顧慮。

5、3、適用性局限：當前的人工智能模型大多是在特定的影像設備或數據格式下訓練的，當應用于不同設備、不同格式的數據時，模型的表現可能會有所下降，影響其普遍適用性。

技術實現思路

1、針對現有技術存在的不足，本發明的目的在于提供一種自動識別和分析顱內動脈粥樣硬化斑塊的方法，解決了現有技術中存在的主觀依賴性強、診斷效率低、斑塊特征難以量化、數據和模型適應性不足問題。

2、本發明提供了如下技術方案：一種自動識別和分析顱內動脈粥樣硬化斑塊的方法，包括以下步驟：

3、采集待評估顱內動脈粥樣硬化患者的圖像，導入檢測設備預先設置的顱內動脈粥樣硬化ai模型中；由顱內動脈粥樣硬化ai模型自動識別和分析圖像中是否存在對應顱內動脈粥樣硬化斑塊的特征圖像；若有，則生成三維斑塊模型并展示于可視化窗口中，若無，則輸出無斑塊存在的檢測結果。

4、進一步地，所述顱內動脈粥樣硬化ai模型的生成方法，包括：

5、采集顱內動脈粥樣硬化患者的圖像，基于深度學習模型搭建的網絡架構訓練得到顱內動脈粥樣硬化ai模型。

6、進一步地，采集顱內動脈粥樣硬化患者的圖像，基于深度學習模型搭建的網絡架構訓練得到顱內動脈粥樣硬化ai模型，包括：

7、獲取顱內動脈粥樣硬化患者硬化部位ct和/或mri圖像，并對其多樣化處理得生成新的樣本；

8、提取上述圖像和樣本的特征圖像，得到顱內動脈粥樣硬化斑塊特征圖像的數據集，將顱內動脈粥樣硬化斑塊特征圖像的數據集分為訓練集和驗證集；

9、基于深度學習模型對上述訓練集中的顱內動脈粥樣硬化斑塊的特征圖像進行訓練，生成顱內動脈粥樣硬化ai模型；

10、通過驗證集中的顱內動脈粥樣硬化斑塊的特征圖像對顱內動脈粥樣硬化ai模型進行驗證；

11、驗證合格后，得到顱內動脈粥樣硬化ai模型并將其設置于后臺服務器。

12、進一步地，根據顱內動脈粥樣硬化患者硬化部位ct和/或mri圖像生成新的樣本，包括：

13、通過smote在數據樣本之間進行插值，生成新的合成樣本；

14、和/或，通過數據增強生成新的樣本。

15、進一步地，數據增強方法包括：

16、對現有顱內動脈粥樣硬化患者硬化部位ct和/或mri圖像數據進行旋轉、平移、翻轉、縮放和裁剪；

17、和/或改變現有顱內動脈粥樣硬化患者硬化部位ct和/或mri圖像的亮度、對比度、色彩和飽和度，模擬不同設備或成像條件下的影像表現；

18、和/或添加高斯噪聲、模糊等，模擬由于設備或環境因素產生的成像噪聲，模擬設備設置或患者狀態變化導致的圖像清晰度和對比度差異。

19、進一步地，所述驗證方法為將整個數據集隨機劃分為k個相同大小的子集，然后進行k次訓練，每次用其中k-1個子集進行模型訓練，用剩下的1個子集進行驗證，每次驗證后記錄模型的評估結果，最后通過k次驗證的平均值來評估模型的性能。

20、進一步地，還包括通過深度學習模型對多模態影像數據進行融合，采用方法為：

21、圖像歸一化：不同模態影像的灰度值范圍、對比度差異較大，歸一化操作可以將圖像的灰度或對比度調整到相同的范圍，從而使不同模態的數據可以被統一處理。

22、多尺度特征提取：通過卷積神經網絡提取ct、mri等圖像的不同尺度特征，如邊緣、紋理和結構信息，這些特征可以代表影像的不同層次信息。多尺度特征的提取使得模型能夠綜合利用不同模態的數據。

23、基于注意力機制的融合：在融合過程中，引入注意力機制，能夠根據不同模態影像中重要信息的分布，自動分配不同模態的權重，以增強模型對多模態數據中關鍵信息的捕捉能力。

24、進一步地，還包括顱內動脈粥樣硬化ai模型進行斑塊三維重建并可視化，方法為：將ct、mri等不同模態的數據進行融合，將u-net模型的輸出與vtk的三維重建相結合，將生成的三維模型嵌入vtk的可視化窗口。

25、本發明提供了一種自動識別和分析顱內動脈粥樣硬化斑塊檢測裝置，該顱內動脈粥樣硬化斑塊檢測裝置用于實現上述自動識別和分析顱內動脈粥樣硬化斑塊的方法，包括：

26、采集顱內動脈粥樣硬化患者圖像并上傳至后臺服務器的采集系統；

27、以及后臺服務器，所述后臺服務器預先設置顱內動脈粥樣硬化ai模型，并利用ai模型自動識別和分析采集的顱內動脈粥樣硬化患者圖像；

28、若有，則輸出對應的顱內動脈粥樣硬化斑塊圖像或三維斑塊模型；

29、若無，則輸出無斑塊的檢測結果。

30、本發明提供一種檢測設備，所述檢測設備包括：

31、處理器；

32、存儲器，所述存儲器上存儲有計算機可讀指令，當所述處理器執行該計算機可讀指令時，實現如上述任一種自動識別和分析顱內動脈粥樣硬化斑塊的方法。

33、本發明還提供一種計算機可讀存儲介質，存儲有計算機可讀指令，當所述計算機可讀指令被處理器執行時，實現如上述任一種自動識別和分析顱內動脈粥樣硬化斑塊的方法。

34、綜上所述，本發明具有以下有益效果：

35、本發明采用了經過優化的數據處理和訓練策略，生成多樣化的訓練樣本，對樣本數據進行模型訓練和評估，通過深度學習算法自動提取影像特征，對顱內動脈粥樣硬化斑塊的體積、密度、成分等關鍵特征進行精確量化，并可以將來自不同影像設備的數據進行融合處理，對識別的斑塊進行三維重建并展示。本發明解決了現有技術中存在的主觀依賴性強、診斷效率低、斑塊特征難以量化、數據和模型適應性不足問題。

技術特征：

1.一種自動識別和分析顱內動脈粥樣硬化斑塊的方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的方法，其特征在于，所述顱內動脈粥樣硬化ai模型的生成方法，包括：

3.根據權利要求2所述的方法，其特征在于，采集顱內動脈粥樣硬化患者的圖像，基于深度學習模型搭建的網絡架構訓練得到顱內動脈粥樣硬化ai模型，包括：

4.根據權利要求3所述的方法，其特征在于，根據顱內動脈粥樣硬化患者硬化部位ct和/或mri圖像生成新的樣本，包括：

5.根據權利要求4所述的方法，其特征在于，數據增強方法包括：

6.根據權利要求3所述的方法，其特征在于，所述驗證方法為將整個數據集隨機劃分為k個相同大小的子集，然后進行k次訓練，每次用其中k-1個子集進行模型訓練，用剩下的1個子集進行驗證，每次驗證后記錄模型的評估結果，最后通過k次驗證的平均值來評估模型的性能。

7.權利要求1-6任一所述的方法，其特征在于，還包括通過深度學習模型對多模態影像數據進行融合，采用方法為：

8.根據權利要求7所述的方法，其特征在于，還包括顱內動脈粥樣硬化ai模型進行斑塊三維重建并可視化，具體為：

9.一種自動識別和分析顱內動脈粥樣硬化斑塊檢測裝置，所述裝置用于實現上述如權利要求1-8任一所述的方法。

10.一種檢測設備，所述檢測設備包括：處理器；

技術總結
本發明公開了一種自動識別和分析顱內動脈粥樣硬化斑塊的方法、裝置、設備及介質，涉及醫學圖像處理的技術領域，其技術方案要點是，所述方法包括以下步驟：采集待評估顱內動脈粥樣硬化患者的圖像，導入檢測設備預先設置的顱內動脈粥樣硬化AI模型中；由顱內動脈粥樣硬化AI模型自動識別和分析圖像中是否存在對應顱內動脈粥樣硬化斑塊的特征圖像；若有，則生成三維斑塊模型并展示于可視化窗口中，若無，則輸出無斑塊存在的檢測結果。所述裝置用于實現上述自動識別和分析顱內動脈粥樣硬化斑塊的方法。設備包括：處理器；存儲器，存儲有計算機可讀指令，當處理器執行該計算機可讀指令時，實現上述自動識別和分析顱內動脈粥樣硬化斑塊的方法。

技術研發人員：劉華波,龔濤,陳玉輝,尹家文,欒存元
受保護的技術使用者：青島大學
技術研發日：
技術公布日：2025/4/28