【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于人工智能的心血管病灶分类方法和系统。
技术介绍
1、在相关技术中，cn110517264a公开了一种基于血管分割的病灶提取方法及装置。基于血管分割的病灶提取方法，包括：获取血管的ct图像序列；通过第一血管预测模型对ct图像序列进行预测，得到第一血管预测结果，第一血管预测模型为不带病灶标注的模型；通过第二血管预测模型对ct图像序列进行预测，得到第二血管预测结果，第二血管预测模型为带病灶标注的模型；根据第一血管预测结果和第二血管预测结果确定病灶候选区域；通过病灶分类模型对病灶候选区域进行分类预测，得到病灶分类结果。这一方法对带病灶的血管预测和不带病灶的血管预测进行对比，可以剔除血管分割中的大部分非病灶噪声，降低了人工成本，缩减了提取时间，也大大提高了病灶提取的准确度。
2、cn115222642a提供一种图像处理方法、设备及存储介质。该方法可自动识别医学图像中的冠脉血管区域及其中包含斑块的病灶子区域，分别对冠脉血管区域和病灶子区域进行特征提取和量化，得到第一医学特征和第二医学特征，将第一医学特征和第二医学特征送入预先训练出的图像分类模型，以得到医学图像的分类结果。整个过程中，可深度挖掘医学图像中的潜在信息，提高识别医学图像的分类结果的准确度，满足实际应用的需求。
3、因此，在相关技术中，可识别出心血管内的斑块等病灶，但心血管内的病灶类型较多，其中包括主动脉夹层等危险性较大的病灶，也包括一些慢性病灶，在相关技术中并未对这些危险性较高的病灶和慢性病灶进行区分，因此，相关技术
4、公开于本申请
技术介绍
部分的信息仅仅旨在加深对本申请的一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
1、本专利技术实施例提供一种基于人工智能的心血管病灶分类方法和系统，能够解决无法减少对心血管病灶进行分类的工作量的技术问题。
2、根据本专利技术的实施例的第一方面，提供一种基于人工智能的心血管病灶分类方法，包括：获取ct血管造影图像，并确定心血管所在的目标区域，其中，所述ct血管造影图像为三维图像，所述目标区域为三维区域；对所述ct血管造影图像按照血管轴向进行分解，获得的多个二维切片图像，其中，二维切片图像中包括心血管所在的二维目标区域；确定每个二维切片图像的二维目标区域的形心；在每个二维切片图像的二维目标区域的边缘设置多个测试点，并设置测试点与形心的连线，其中，每两个相邻测试点与形心的连线形成的夹角相等；根据每个二维切片图像的测试点与形心的连线上像素点的像素值，确定每个二维切片图像是否存在主动脉夹层风险；在多个二维切片图像中，确定不存在主动脉夹层风险的待定二维切片图像；在所述待定二维切片图像中，将相邻的测试点进行连接，获得测试点连接图形；根据每个二维切片图像所述测试点连接图形，以及待定二维切片图像中的测试点与形心的连线上像素点的像素值，确定动脉硬化风险系数；根据多个二维切片图像中是否包括存在主动脉夹层风险的目标二维切片图像，以及所述动脉硬化风险系数，获得心血管病灶分类结果。
3、根据本专利技术的实施例的第二方面，提供一种基于人工智能的心血管病灶分类系统，包括：目标区域模块，用于获取ct血管造影图像，并确定心血管所在的目标区域，其中，所述ct血管造影图像为三维图像，所述目标区域为三维区域；分解模块，用于对所述ct血管造影图像按照血管轴向进行分解，获得的多个二维切片图像，其中，二维切片图像中包括心血管所在的二维目标区域；形心模块，用于确定每个二维切片图像的二维目标区域的形心；测试点模块，用于在每个二维切片图像的二维目标区域的边缘设置多个测试点，并设置测试点与形心的连线，其中，每两个相邻测试点与形心的连线形成的夹角相等；主动脉夹层风险模块，用于根据每个二维切片图像的测试点与形心的连线上像素点的像素值，确定每个二维切片图像是否存在主动脉夹层风险；待定二维切片图像模块，用于在多个二维切片图像中，确定不存在主动脉夹层风险的待定二维切片图像；连接模块，用于在所述待定二维切片图像中，将相邻的测试点进行连接，获得测试点连接图形；动脉硬化风险系数模块，用于根据每个二维切片图像所述测试点连接图形，以及待定二维切片图像中的测试点与形心的连线上像素点的像素值，确定动脉硬化风险系数；分类模块，用于根据多个二维切片图像中是否包括存在主动脉夹层风险的目标二维切片图像，以及所述动脉硬化风险系数，获得心血管病灶分类结果。
4、技术效果：根据本专利技术，可在ct血管造影图像的心血管所在区域的多个二维切片图像中，确定是否包括主动脉夹层风险，从而可迅速识别出危险性较高的病灶，便于医生等专业人士对危险性较高的病灶进行优先处理。进一步地，可通过不包括主动脉夹层风险的二维切片图像中的测试点连接图形来确定动脉硬化等慢性病灶的风险，便于医生等专业人士快速了解动脉硬化等慢性病灶的风险，从而为针对性治疗提供依据，减少对病灶进行分类的工作量。在确定主动脉夹层风险时，可基于主动脉夹层的形态，确定每个连线穿越血管壁所在区域和血液所在区域的边界的次数，从而基于次数来判断该连线是否为风险连线，进而根据风险连线的数量来确定二维切片图像是否存在主动脉夹层风险，使得主动脉夹层风险的判断依据与主动脉夹层的形态更匹配，从而更准确且更客观地确定主动脉夹层风险。在确定血管壁厚度均匀性风险系数时，可基于测试点与交点之间的距离来确定血管壁的厚度，并根据血管壁厚度的分布情况来确定血管壁厚度均匀性风险系数，从而使得血管壁厚度均匀性风险系数与血管壁的形态所引起的风险相一致，使得血管壁厚度均匀性风险系数更准确和客观。在确定血管壁形变风险系数时，可剔除第二向量围成的图形与第一向量围成的图形的边长因素，通过向量的横纵坐标比组成的向量来表示第二向量围成的图形与第一向量围成的图形的相似性，从而获得血管壁形变风险系数，提升血管壁形变风险系数的准确性和客观性。
5、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本专利技术。根据下面参考附图对示例性实施例的详细说明，本专利技术的其它特征及方面将更清楚。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的心血管病灶分类方法，其特征在于，包括：获取CT血管造影图像，并确定心血管所在的目标区域，其中，所述CT血管造影图像为三维图像，所述目标区域为三维区域；对所述CT血管造影图像按照血管轴向进行分解，获得的多个二维切片图像，其中，二维切片图像中包括心血管所在的二维目标区域；确定每个二维切片图像的二维目标区域的形心；在每个二维切片图像的二维目标区域的边缘设置多个测试点，并设置测试点与形心的连线，其中，每两个相邻测试点与形心的连线形成的夹角相等；根据每个二维切片图像的测试点与形心的连线上像素点的像素值，确定每个二维切片图像是否存在主动脉夹层风险；在多个二维切片图像中，确定不存在主动脉夹层风险的待定二维切片图像；在所述待定二维切片图像中，将相邻的测试点进行连接，获得测试点连接图形；根据每个二维切片图像所述测试点连接图形，以及待定二维切片图像中的测试点与形心的连线上像素点的像素值，确定动脉硬化风险系数；根据多个二维切片图像中是否包括存在主动脉夹层风险的目标二维切片图像，以及所述动脉硬化风险系数，获得心血管病灶分类结果。
2.根据权利要求1所述的基于人工智能的心
3.根据权利要求2所述的基于人工智能的心血管病灶分类方法，其特征在于，根据所述像素梯度阈值和所述连线上像素点的像素值，确定二维切片图像是否存在主动脉夹层风险，包括：根据公式确定多条连线中的风险连线数量nr，其中，(xk，i，j，yk，i，j)为第k个二维切片图像中的第i个连线上的第j个像素点的坐标，p(xk，i，j，yk，i，j)为第k个二维切片图像中的第i个连线上的第j个像素点的像素值，为第k个二维切片图像中的第i个连线的方向向量，为第k个二维切片图像中的第i个连线上的第j个像素点的像素值沿方向向量的梯度，KGT为像素梯度阈值，nk，i为第k个二维切片图像中的第i个连线上的像素点的数量，nk为第k个二维切片图像中的连线的数量，j≤nk，i，i≤nk，且i、j、k、nk，i和nk均为正整数；在所述风险连线数量大于或等于数量阈值的情况下，确定第k个二维切片图像是否存在主动脉夹层风险。
4.根据权利要求1所述的基于人工智能的心血管病灶分类方法，其特征在于，根据每个二维切片图像所述测试点连接图形，以及待定二维切片图像中的测试点与形心的连线上像素点的像素值，确定动脉硬化风险系数，包括：根据所述连接上像素点的像素值，确定所述连线与血管壁内侧轮廓线的交点；根据所述测试点的坐标和所述交点的坐标，确定血管壁厚度均匀性风险系数；根据所述测试点连接图形的多个边，确定相邻测试点之间的第一向量；根据所述交点的坐标，确定相邻交点之间的第二向量；根据所述第一向量和所述第二向量，确定血管壁形变风险系数；根据所述血管壁形变风险系数和所述血管壁厚度均匀性风险系数，确定二维切片图像的动脉硬化风险评分；根据多个二维切片图像的动脉硬化风险评分，获得所述动脉硬化风险系数。
5.根据权利要求4所述的基于人工智能的心血管病灶分类方法，其特征在于，根据所述连接上像素点的像素值，确定所述连线与血管壁内侧轮廓线的交点，包括：在第k个二维切片图像中的第i个连线上的多个像素点中，确定满足条件的像素点，作为所述交点，其中，(xk，i，j，yk，i，j)为第k个二维切片图像中的第i个连线上的第j个像素点的坐标，p(xk，i，j，yk，i，j)为第k个二维切片图像中的第i个连线上的第j个像素点的像素值，为第k个二维切片图像中的第i个连线的方向向量，为第k个二维切片图像中的第i个连线上的第j个像素点的像素值沿方向向量的梯度，KGT为像素梯度阈值。
6.根据权利要求4所述的基于人工智能的心血管病灶分类方法，其特征在于，根据所述测试点的坐标和所述交点的坐标，确定血管壁厚度均匀性风险系数，包括：根据公式
7.根据权利要求4所述的基于人工智能的心血管病灶分类方法，其特征在于，根据所述第一向量和所述第二向量，确定血管壁形变风险系数，包括：根据公式确定血管壁形变风险系...
【技术特征摘要】
1.一种基于人工智能的心血管病灶分类方法，其特征在于，包括：获取ct血管造影图像，并确定心血管所在的目标区域，其中，所述ct血管造影图像为三维图像，所述目标区域为三维区域；对所述ct血管造影图像按照血管轴向进行分解，获得的多个二维切片图像，其中，二维切片图像中包括心血管所在的二维目标区域；确定每个二维切片图像的二维目标区域的形心；在每个二维切片图像的二维目标区域的边缘设置多个测试点，并设置测试点与形心的连线，其中，每两个相邻测试点与形心的连线形成的夹角相等；根据每个二维切片图像的测试点与形心的连线上像素点的像素值，确定每个二维切片图像是否存在主动脉夹层风险；在多个二维切片图像中，确定不存在主动脉夹层风险的待定二维切片图像；在所述待定二维切片图像中，将相邻的测试点进行连接，获得测试点连接图形；根据每个二维切片图像所述测试点连接图形，以及待定二维切片图像中的测试点与形心的连线上像素点的像素值，确定动脉硬化风险系数；根据多个二维切片图像中是否包括存在主动脉夹层风险的目标二维切片图像，以及所述动脉硬化风险系数，获得心血管病灶分类结果。
2.根据权利要求1所述的基于人工智能的心血管病灶分类方法，其特征在于，根据每个二维切片图像的测试点与形心的连线上像素点的像素值，确定每个二维切片图像是否存在主动脉夹层风险，包括：以所述形心为中心，确定第一测试区域，其中，所述第一测试区域为圆形区域，所述第一测试区域的半径小于多个测试点与形心的连线中最短者的长度的在所述第一测试区域中任选多个采样点，获得所述多个采样点的第一平均像素值；确定与各个测试点相邻，且位于所述连线上且位于二维目标区域之内的相邻像素点；确定所述相邻像素点的第二平均像素值；根据所述第一平均像素值和所述第二平均像素值，确定像素梯度阈值；根据所述像素梯度阈值和所述连线上像素点的像素值，确定二维切片图像是否存在主动脉夹层风险。
3.根据权利要求2所述的基于人工智能的心血管病灶分类方法，其特征在于，根据所述像素梯度阈值和所述连线上像素点的像素值，确定二维切片图像是否存在主动脉夹层风险，包括：根据公式确定多条连线中的风险连线数量nr，其中，(xk，i，j，yk，i，j)为第k个二维切片图像中的第i个连线上的第j个像素点的坐标，p(xk，i，j，yk，i，j)为第k个二维切片图像中的第i个连线上的第j个像素点的像素值，为第k个二维切片图像中的第i个连线的方向向量，为第k个二维切片图像中的第i个连线上的第j个像素点的像素值沿方向向量的梯度，kgt为像素梯度阈值，nk，i为第k个二维切片图像中的第i个连线上的像素点的数量，nk为第k个二维切片图像中的连线的数量，j≤nk，i，i≤nk，且i、j、k、nk，i和nk均为正整数；在所述风险连线数量大于或等于数量阈值的情况下，确定第k个二维切片图像是否存在主动脉夹层风险。
4.根据权利要求1所述的基于人工智能的心血管病灶分类方法，其特征在于，根据每个二维切片图像所述测试点连接图形，以及待定二维切片图像中的测试点与形心的连线上像素点的像素值，确定动脉硬化风险系数，包括：根据所述连接上像素点的像素值，确定所述连线与血管壁内侧轮廓线的交点；根据所述测试点的坐标和所述交点的坐标，确定血管壁厚度均匀性风险系数；根据所述测试点连接图形的多个边，确定相邻测试点之间的第一向量；根据所述交...
【专利技术属性】
技术研发人员：薛亚军，李蓝鸽，周博达，张鸥，韩治伟，翟彦龙，高桐，耿雨，王银堂，张萍，
申请(专利权)人：北京清华长庚医院，
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。