基于医学超声图像的颈动脉斑块内部特征的自动分析方法和装置制造方法及图纸

本发明专利技术提供了一种基于医学超声图像的颈动脉斑块内部特征的自动分析方法、自动分析装置、电子设备及计算机可读存储介质。所述自动分析方法包括步骤S1：构建颈动脉斑块内部特征自动分析模型；步骤S2：使用构建好的所述颈动脉斑块内部特征自动分析模型对待分析的颈动脉超声图像进行定性及定量分析，并输出分析结果。采用上述技术方案后，能够高效、快速、准确地输出颈动脉斑块的超声报告，从而帮助提供更好的治疗方案，减少脑卒中的发生，减少医疗资源浪费。源浪费。源浪费。

【技术实现步骤摘要】
基于医学超声图像的颈动脉斑块内部特征的自动分析方法和装置


[0001]本专利技术涉及图像识别
，尤其涉及基于深度学习的颈动脉斑块不同组成成分定量分析技术。

技术介绍

[0002]脑血管病已是全球非传染性疾病中首要死亡原因，目前中国人群中脑卒中发病率达115.6|10万，脑卒中具有高发病率、高复发率、高死亡率、高致残率、高医疗费等特点，颈动脉易损斑块筛查识别影响脑卒中的预判，研究显示易损斑块中15
‑
20％可发生脑卒中事件，因此准确识别颈动脉斑块中的不稳定斑块对于预防脑卒中的发生有重要的临床意义，血管超声对于颈动脉硬化，斑块形成的诊断价值已得到临床广泛认识，2020年“中国脑血管病”发布的颈动脉超声诊断专家共识指出不稳定易损斑块的特征有：斑块破裂或溃疡型斑块(斑块表面纤维帽不连续，出血随心律而搏动的特征或形成“火山口”征，大的脂质核心或斑块内出血(呈低回声或低至无回声或无回声，脂质成分占整个斑块面积＞40％；对于不稳定斑块的超声识别需要一定经验的超声医师，同样也依赖超声仪器分辨率，而社区医院或者年轻的超声医师则不具备准备识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于医学超声图像的颈动脉斑块内部特征的自动分析方法，其特征在于，包括：步骤S1：构建颈动脉斑块内部特征自动分析模型，其包括步骤S1.1～步骤S1.4：步骤S1.1：收集若干例颈动脉超声图像及其对应的诊断报告中的内部特征数据，并设计Mask R
‑
CNN深度卷积神经网络结构；步骤S1.2：基于所述内部特征数据对Mask R
‑
CNN深度卷积神经网络结构进行训练和测试，从而获得Mask R
‑
CNN深度学习模型；步骤S1.3：在Mask R
‑
CNN深度学习模型的基础上，采用U
‑
Net网络分割颈动脉超声图像中的颈动脉斑块区域并标注内部特征信息，从而获得颈动脉超声图像的斑块分割结果；步骤S1.4：对于所述斑块分割结果，利用DVAENet网络对所述斑块分割结果中的斑块脂质低回声区域进行进一步分割并像素级别地识别颈动脉斑块内部特征；步骤S2：使用构建好的所述颈动脉斑块内部特征自动分析模型对待分析的颈动脉超声图像进行定性及定量分析，并输出分析结果。2.如权利要求1所述的基于医学超声图像的颈动脉斑块内部特征的自动分析方法，其特征在于，步骤S1.2包括：步骤S1.2.1:数据预处理和数据标记，同时设计模型结构；步骤S1.2.2:采用度量学习方法进行模型训练；步骤S1.2.3:进行模型测试，如果测试结果达标，则得到最终模型；如果测试结果不达标，则进行参数调整优化。3.如权利要求1所述的基于医学超声图像的颈动脉斑块内部特征的自动分析方法，其特征在于，在步骤S1.3中，U
‑
net网络使用编码
‑
解码结构和跳跃连接结构，U
‑
Net的编码部分与解码部分采用对称结构，并且使用跳跃连接将编码与解码的特征图进行通道合并。4.如权利要求1所述的基于医学超声图像的颈动脉斑块内部特征的自动分析方法，其特征在于，U
‑
Net网络和DVAENet网络的权重通过随机梯度变分贝叶斯估计器进行学习。5.如权利要求1所述的基于医学超声图像的颈动脉斑块内部特征的自动分...

【专利技术属性】
技术研发人员：赫兰，申锷，
申请(专利权)人：上海市第八人民医院，
类型：发明
国别省市：