【技术实现步骤摘要】
本专利技术涉及医学图像处理，尤其涉及一种基于人工智能的脑卒中筛查云平台及系统、装置。
技术介绍
1、脑卒中是中国人的第一大死因，根据2019年全球疾病负担研究的结果，2019年中国新增脑卒中病例394万例，其中缺血性卒中287万例，脑出血85万例，蛛网膜下腔出血22万例。2019年，有219万人死于脑卒中，其中103万人死于缺血性脑卒中，107万人死于脑出血，9万人死于蛛网膜下腔出血。
2、1990～2019年，脑卒中的年龄标化发病率下降了9.3％，主要是脑出血和蛛网膜下腔出血的年龄标化发病率分别下降了53.1％和39.3％，而缺血性脑卒中的年龄标化发病率增加了34.7％。
3、1990～2019年，脑卒中年龄标化患病率增加了13.2％，缺血性脑卒中增加了33.5％。脑出血和蛛网膜下腔出血的年龄标准化患病率分别下降31.9％和21.9％。
4、缺血性脑卒中是指由于脑的供血动脉(颈动脉和椎动脉)狭窄或闭塞、脑供血不足导致的脑组织坏死的总称。它可以由颈动脉斑块脱落引起，但也可以由其他原因引起。例如，高血压、糖尿病、冠心病或年龄增长等因素都可能导致动脉粥样硬化，从而引发脑血栓形成。此外，血管中的脂肪沉积或者随血液流动(通常来自心脏)并滞留于大脑血管中的血凝块或其他碎片也会引起血管堵塞或狭窄。
5、颈动脉斑块超声检查是缺血性脑卒中的主要筛查手段。虽然血管造影是诊断的金标准，但颈动脉超声检查属无创性检查，成本低、敏感度高、便捷、可重复性好，因此它被视为筛查的首选方法。通过超声可以诊断动脉狭窄
6、由于超声医生异常匮乏，导致无法大规模开展超声检查颈动脉斑块筛查脑卒中。通过人工智能识别颈动脉斑块，以提高颈动脉斑块超声筛查的识别效率，是开展大规模脑卒中筛查的创新技术手段。
技术实现思路
1、根据本专利技术的一个方面，提供了一种基于人工智能的脑卒中筛查云平台及系统、装置，增强病灶识别能力，提高识别的准确性，辅助医生提出更准确建议。
2、第一方面，本专利技术公开了一种基于人工智能的脑卒中筛查云平台，本平台包括云端与智能终端；
3、智能终端包括视频获取模块，获取颈动脉的超声扫查视频；
4、云端，存储或下载超声扫查视频、超声扫查图像，以及计算分析单元的数据；
5、计算分析单元，设置于智能终端或者云端中；包括视频处理模块，对所述超声扫查视频进行预处理，得到超声扫查图像；
6、斑块检测模块，通过基于ca与sa注意力机制的斑块检测网络检测所述超声扫查图像，确定斑块所在位置；
7、斑块类型分类网络构建模块，根据斑块类型数据构建斑块类型分类网络，在所述斑块类型分类网络提取的斑块类型信息准确度低于预设阈值时，通过损失函数调整、优化所述斑块类型分类网络，直至所述斑块类型分类网络提取的斑块类型信息准确度不低于预设阈值；
8、斑块类型确定模块，通过所述斑块类型分类网络对斑块进行分类，确定斑块类型信息。
9、在一些实施方式中，所述斑块检测网络基于yolox网络，包括主干网络、特征提取层、特征融合层和预测层，所述主干网络以及特征提取层均结合ca注意力机制与sa注意力机制进行特征提取。
10、在一些实施方式中，所述斑块检测网络包括ca注意力模块与sa注意力模块，所述主干网络的dark3模块、dark4模块、dark5模块中设置ca注意力模块，将主干网络中dark5模块的输出结果输入sa注意力模块，得到有效特征；所述特征提取层在上采样层后设置ca注意力模块；
11、通过特征融合层将有效特征与原始特征拼接融合，得到融合特征；将所述融合特征输入ca注意力模块，得到最终特征；通过预测层预测所述最终特征。
12、在一些实施方式中，斑块类型分类网络构建模块根据斑块类型数据构建斑块类型分类网络，包括：
13、获取斑块类型信息，构建斑块类型数据集；所述斑块类型信息包括已标注的超声检查图像，斑块类型以及斑块参数；
14、根据所述斑块类型数据集训练斑块类型分类网络，得到训练结果；
15、计算所述训练结果与所述斑块类型训练集的损失，得到斑块类型分类网络识别的准确度；
16、根据损失函数的梯度信息更新斑块类型分类网络的参数；
17、多次优化所述斑块类型分类网络，直至所述斑块类型分类网络满足预设需求。
18、在一些实施方式中，斑块类型分类网络构建模块中，通过损失函数调整、优化所述斑块类型分类网络，还包括：
19、根据所述斑块类型数据集训练斑块类型分类网络，得到训练结果；
20、计算所述训练结果与所述斑块类型训练集的损失，得到斑块类型分类网络识别的准确度；
21、根据损失函数的梯度信息，通过反向传播法更新所述斑块类型分类网络中的权重与偏置参数；
22、通过梯度下降法根据梯度信息更新网络参数。
23、在一些实施方式中，以多损失函数相加，作为所述斑块类型分类网络的损失函数；其中，所述多损失函数包括angular penalty softmax loss与focalloss；
24、所述斑块类型数据集训练斑块类型分类网络，包括：
25、使用随机输入尺寸的斑块类型数据集训练斑块类型分类网络。
26、在一些实施方式中，计算分析单元还包括斑块计算模块，根据所述斑块类型信息，计算血管宽度和/或斑块高度、颈动脉狭窄率；所述斑块类型信息包括斑块区域、斑块大小、斑块类型。
27、在一些实施方式中，视频处理模块中，对图像信息进行预处理，包括以下至少一项处理：灰度化处理、高斯滤波与自适应均衡、gamma增强、范围归一化处理。
28、第二方面，本专利技术提供了一种人工智能的脑卒中筛查系统，包括如上任一所述的一种基于人工智能的脑卒中筛查云平台；
29、智能终端采集或上传颈动脉的超声扫查视频至云平台中；
30、云端，用于存储或下载超声扫查视频、超声扫查图像，以及计算分析单元的数据；
31、计算分析单元，设置于智能终端或者云端中；包括视频处理模块，对所述超声扫查视频进行预处理，得到超声扫查图像；
32、斑块检测模块，通过基于ca与sa注意力机制的斑块检测网络检测所述超声扫查图像，确定斑块所在位置；
33、斑块类型分类网络构建模块，根据斑块类型数据构建斑块类型分类网络，在所述斑块类型分类网络提取的斑块类型信息准确度低于预设阈值时，通过损失函数调整、优化所述斑块类型分类网络，直至所述斑块类型分类网络提取的斑块类型信息准确度不低于预设阈值；
34、斑块类型确定模块，通过所述斑块类型分类网络对斑块进行分类，确定斑块类型信息；
35、数据输出模块，根据所述斑块的类型信息输出诊断报告至智能终端或云端，所述诊本文档来自技高网...
【技术保护点】
1.一种基于人工智能的脑卒中筛查云平台，其特征在于，本平台包括云端与智能终端；
2.根据权利要求1所述的一种基于人工智能的脑卒中筛查云平台，其特征在于，所述斑块检测网络基于YOLOX网络，包括主干网络、特征提取层、特征融合层和预测层，所述主干网络以及特征提取层均结合CA注意力机制与SA注意力机制进行特征提取。
3.根据权利要求2所述的一种基于人工智能的脑卒中筛查云平台，其特征在于，所述斑块检测网络包括CA注意力模块与SA注意力模块，所述主干网络的dark3模块、dark4模块、dark5模块中设置CA注意力模块，将主干网络中dark5模块的输出结果输入SA注意力模块，得到有效特征；所述特征提取层在上采样层后设置CA注意力模块；
4.根据权利要求1所述的一种基于人工智能的脑卒中筛查云平台，其特征在于，斑块类型分类网络构建模块根据斑块类型数据构建斑块类型分类网络，包括：
5.根据权利要求4所述的一种基于人工智能的脑卒中筛查云平台，其特征在于，斑块类型分类网络构建模块中，通过损失函数调整、优化所述斑块类型分类网络，还包括：
6
7.根据权利要求6所述的一种基于人工智能的脑卒中筛查云平台，其特征在于，所述计算分析单元还包括斑块计算模块，根据所述斑块类型信息，计算血管宽度和/或斑块高度、颈动脉狭窄率；所述斑块类型信息包括斑块区域、斑块大小、斑块类型。
8.根据权利要求1所述的一种基于人工智能的脑卒中筛查云平台，其特征在于，视频处理模块中，对图像信息进行预处理，包括以下至少一项处理：灰度化处理、高斯滤波与自适应均衡、Gamma增强、范围归一化处理。
9.一种基于人工智能的脑卒中筛查系统，其特征在于，包括如权利要求1～8任一所述的一种基于人工智能的脑卒中筛查云平台，
10.基于人工智能的脑卒中筛查装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种基于人工智能的脑卒中筛查云平台，其特征在于，本平台包括云端与智能终端；
2.根据权利要求1所述的一种基于人工智能的脑卒中筛查云平台，其特征在于，所述斑块检测网络基于yolox网络，包括主干网络、特征提取层、特征融合层和预测层，所述主干网络以及特征提取层均结合ca注意力机制与sa注意力机制进行特征提取。
3.根据权利要求2所述的一种基于人工智能的脑卒中筛查云平台，其特征在于，所述斑块检测网络包括ca注意力模块与sa注意力模块，所述主干网络的dark3模块、dark4模块、dark5模块中设置ca注意力模块，将主干网络中dark5模块的输出结果输入sa注意力模块，得到有效特征；所述特征提取层在上采样层后设置ca注意力模块；
4.根据权利要求1所述的一种基于人工智能的脑卒中筛查云平台，其特征在于，斑块类型分类网络构建模块根据斑块类型数据构建斑块类型分类网络，包括：
5.根据权利要求4所述的一种基于人工智能的脑卒中筛查云平台，其特征在于，斑块类型分类网络构建模块中，通过损失函...
【专利技术属性】
技术研发人员：周振忠，周龙灏，周龙瀚，
申请(专利权)人：广州尚医网信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。