基于深度学习的颈动脉狭窄检测方法、装置及存储介质

技术领域

本发明涉及深度学习、动脉检测技术领域，尤其涉及一种基于深度学习的颈动脉狭窄检测方法、装置及存储介质。

背景技术

全世界每年有1500万人患中风。其中，有500万人死亡，另有500万人永久性残疾，这给他们的家庭和国家带来了沉重的经济负担。据统计医疗保健和治疗的直接费用大约330亿美元，而由于生产力损失产生的间接成本每年大约为2060亿美元。

中风是由于颈动脉或脑血管的血管变窄(狭窄)引起的血流阻塞而引起的。这种变窄是由颈动脉近端壁和远端壁上的斑块形成引起的。斑块的形成导致血管疾病称为动脉粥样硬化。随着病情的发展，会造成血管壁破裂，导致血栓形成和中风。颈动脉狭窄有许多内部和外部因素的原因，内部因素包括遗传学，年龄，肥胖症，高血压，营养，吸烟，糖尿病，饮酒和缺乏运动。外部因素主要是污染。因此，颈动脉狭窄的检测问题乃中风预防的重中之重。

当前磁共振成像(Magnetic resonance image，MRI)或计算机断层摄影(computertomography，CT)的非侵入性成像技术可以捕获颈动脉壁解剖结构。但它有其自身的局限与挑战，例如扫描成本高以及体内含有金属制品(如起搏器)的患者成像受到限制。另一方面，CT扫描涉及的辐射可能会对软组织造成危险，从而导致癌症。在这样的情况下，超声(ultra-sound，US)是一种有效的，低成本，非侵入性，符合人体工程学的，无辐射和高效的扫描工具。但是现有技术，还无法结合超声技术对颈动脉狭窄进行检测。

发明内容

本发明实施例提供一种基于深度学习的颈动脉狭窄检测方法、装置及存储介质，能够基于深度学习和超声数据对颈动脉狭窄进行检测，并根据检测数据得到风险表征和\或绩效评估结果。

本发明实施例的第一方面，提供一种基于深度学习的颈动脉狭窄检测方法，包括：

获取超声图像数据，对所述超声图像数据进行预处理，删除所述超声图像数据中的非组织区域；

提取所述超声图像数据的二进制管腔特征，将所述超声图像数据中的每个像素分为管腔或非管腔；

对提取的二进制管腔特征进行近管腔内壁以及远管腔内壁检测得到检测数据；

基于所述检测数据得到风险表征和\或绩效评估结果。

可选地，在第一方面的一种可能实现方式中，还包括：

对所述超声图像数据进行自动裁剪、管腔二值化处理、图像缩小和\或清洁以及图像下采样。

可选地，在第一方面的一种可能实现方式中，所述图像缩小包括：

将所述超声图像数据缩小预设比例，将超声图像数据中的颈动脉壁分为第一高回声层，低回声层和第二高回声层。

可选地，在第一方面的一种可能实现方式中，所述提取所述超声图像数据的二进制管腔特征包括：

通过编码器采用卷积和视觉体积分组网络架构进行二进制管腔特征的提取；

基于扫描训练池对其先前卷积层的特征进行下采样，使用的激活函数是整流线性单元，包括：

f(x)＝max(0，x)→[1]。

可选地，在第一方面的一种可能实现方式中，所述将所述超声图像数据中的每个像素分为管腔或非管腔包括：

L(ρ，Q)是损失函数，用于衡量ρ与实际标签Q之间所预测的不确定性值，ρ为预测值，Q为常数，c为当前标签，C为标签总数，n为当前图像，N为图像总数，ρ

可选地，在第一方面的一种可能实现方式中，所述检测数据包括狭窄指数SSI，通过以下公式计算狭窄指数SSI，包括：

其中，所述LD

本发明实施例的第二方面，提供一种基于深度学习的颈动脉狭窄检测装置，包括：

预处理模块，用于获取超声图像数据，对所述超声图像数据进行预处理，删除所述超声图像数据中的非组织区域；

特征提取模块，用于提取所述超声图像数据的二进制管腔特征，将所述超声图像数据中的每个像素分为管腔或非管腔；

检测模块，用于对提取的二进制管腔特征进行近管腔内壁以及远管腔内壁检测得到检测数据；

得到模块，用于基于所述检测数据得到风险表征和\或绩效评估结果。

可选地，在第二方面的一种可能实现方式中，还包括预处理单元，所述预处理单元用于执行以下步骤，包括：

对所述超声图像数据进行自动裁剪、管腔二值化处理、图像缩小和\或清洁以及图像下采样。

可选地，在第二方面的一种可能实现方式中，所述预处理单元还用于执行以下步骤，包括：

将所述超声图像数据缩小预设比例，将超声图像数据中的颈动脉壁分为第一高回声层，低回声层和第二高回声层。

本发明实施例的第三方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。

本发明提供的一种基于深度学习的颈动脉狭窄检测方法、装置及存储介质，能够基于超声图像数据使用深度学习技术对颈动脉狭窄进行自动计算与诊断。深度学习技术与传统方法不同的是其能够在人体内部生成特征。深度学习技术由多层神经网络组成，这些神经网络在大量数据上进行训练，给出真实情况描述，然后用于预测测试数据集上的分段，得到风险表征和\或绩效评估结果。

附图说明

图1为基于深度学习的颈动脉狭窄检测方法的第一种实施方式的流程图；

图2为基于深度学习的颈动脉狭窄检测方法的第一种实施方式的流程图；

图3为颈动脉图像示意图；

图4为基于深度学习的颈动脉狭窄检测装置的第一种实施方式的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。

应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。

取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

传统的现有技术手段、方案上，通常在导管血管造影术中测量管腔变窄的程度。然而，非侵入性技术(例如多普勒超声，CT血管造影(CT artery，CTA))或MR血管造影(Magnetic resonance artery，MRA)越来越多地被用于血管测量。这些技术已显示出等同于常规血管造影所表征的管腔变窄程度。

但是现有技术中，使用CTA或MRA测量管腔狭窄的程度在临床环境中存在许多问题。第一，现行有几种方法表征颈动脉狭窄的程度，包括北美颈动脉内膜切除术试验(NorthAmerican Symptomatic Carotid Endarterectomy Trial，NASCET)方法，欧洲颈动脉外科手术试验(European Carotid Surgery Trial，ECST)方法，和共用颈动脉的方法。对参考动脉段中相同的动脉腔壁使用不同的方法会导致不同的测量百分比。此外，相同的数据集可使用不同的可视化方法(最大强度投影，Maximal indensity projection，MIP)，躯体绘制，表面遮盖显示(surface-shaded display，SSD)，这增加了管腔变窄测量的可变性。另外，由于在典型的临床实践中，神经放射科医生只是“目测”了颈动脉管腔，并且仅在有限的情况下获得了定量的测量结果，因此观察者之间存在差异。已知的测量颈动脉狭窄最高的精度是通过使用放大的轴向图像和通过获取测量精确地垂直于容器的纵向轴线来实现；但是这很耗时，并且在常规临床实践中很少执行。最后，管腔变窄的测量受到图像质量的影响，特别是受造影剂注入质量的影响。所以，基于US使用深度学习技术对颈动脉狭窄进行自动计算与诊断亟需开发，具有较强的市场前景。

本发明提供一种基于深度学习的颈动脉狭窄检测方法，如图1和图2所示其流程图，包括：

步骤S110、获取超声图像数据，对所述超声图像数据进行预处理，删除所述超声图像数据中的非组织区域。在本步骤中，将对US扫描进行裁剪，并以自动化方式删除非组织区域。在此裁剪阶段之后，在DL执行下采样以获得更快的处理时间。

步骤S120、提取所述超声图像数据的二进制管腔特征，将所述超声图像数据中的每个像素分为管腔或非管腔。

在步骤S120中，使用颈动脉US扫描训练池的编码器提取特征。从这些划定的边界提取二进制管腔，并将其用于管腔检测的像素到像素分类。提取的特征输入到解码器，它将对编码的图像进行采样以匹配其原始尺寸，并将原始图像的每个像素分类为管腔或非管腔。编码器和解码器一起并称为全卷积网络(Full Convolutional Network，FCN)的网络体系结构的一部分(其用于检测所述内腔区域的)。

步骤S130、对提取的二进制管腔特征进行近管腔内壁以及远管腔内壁检测得到检测数据。在本步骤中，包括对区域颈动脉裁剪图像上进行采样后的近管腔内壁(lumenintima,LI)和远管腔内壁检测。

步骤S140、基于所述检测数据得到风险表征和\或绩效评估结果。

在一个实施例中，还包括：对所述超声图像数据进行自动裁剪、管腔二值化处理、图像缩小和\或清洁以及图像下采样。

在自动裁剪的过程中，将删除所有背景信息，包括文本或获取的参数列表等，以确保组织区域为关注区域。此过程适用于原始US扫描和相应的地面真实跟踪图像。在管腔二值化处理步骤的过程中，从转移(gigatransfers，GT)跟踪图像中提取二值管腔区域。这是基于受过培训的医师所勾画的近LI边界和远LI边界。第三步包括通过图像缩小清洁图像，本方法通过减少包含这些边缘的图像区域来清洁这些边缘像素。这是通过从左侧和右侧将图像缩小10％来实现的，从而产生清晰锐利的图像。最后一步是将采样缩减至一半大小，以便在DL框架中更快地进行计算，如图3所示。

在一个实施例中，所述图像缩小包括：将所述超声图像数据缩小预设比例，将超声图像数据中的颈动脉壁分为第一高回声层，低回声层和第二高回声层。在该模式下，颈动脉壁可视为三层：高回声层，低回声层和另一个高回声层。靠近血管腔的两层被定义为“内膜-中膜复合物”。颈动脉远端壁上的内膜-中膜复合物定义为从内膜-中膜界面的前缘到中膜-外膜界面的前缘的距离。

在一个实施例中，所述提取所述超声图像数据的二进制管腔特征包括：

通过编码器采用卷积和视觉体积分组网络架构进行二进制管腔特征的提取；

基于扫描训练池对其先前卷积层的特征进行下采样，使用的激活函数是整流线性单元，包括：

f(x)＝max(0，x)→[1]。

编码器阶段使用卷积和视觉体积分组网络架构进行特征提取。使用VGG架构的主要优势之一是使用了较小的内核(卷积滤波器)，这有助于在后续层中保留图像的更精细的属性。

解码器采用FCN的三个上采样层。它采用跳跃连接，即将较低层和较高层的特征进行组合并进行上采样，这有助于其在网络输出处恢复完整的空间分辨率，从而为语义分割铺平了道路。本发明使用两个跳跃操作进行空间信息恢复，从而产生高度精确的细分输出。上采样/转置卷积层也使用VGG权重进行初始化。跳跃连接使用很小的权重随机初始化。损失函数表示为期望概率分布和预测概率分布之间的差异。DL模型使用此损失函数来减少预测误差。损失函数由下式给出：

其中，L(ρ，Q)是损失函数，用于给定预测ρ和常数Q，c是当前标注，C是标注总数，n是当前图像，N是图像总数。L代表预测ρ与实际标签Q之间不确定性。ρ

在一个实施例中，所述检测数据包括狭窄指数SSI，通过以下公式计算狭窄指数SSI，包括：

其中，所述LD

分割后的图像将被向上采样到其原始大小。然后从这些分割图像中提取远LI和近LI边界。

依据跳跃操作的应用提供了更好的检测结果，从而减少了普遍错误并提高了系统性能。已通过进行了不同操作员之间的变异性测试，结果表明本深度学习算法拥有稳定的性能。

最终，本发明可输出三项数值：(I)管腔检测；(II)近/远管腔内壁界面检测；(III)狭窄测量。与传统方法相比，DL显示了更高的精度，并且减少了大量错误。在将数据输入到两阶段DL系统之前，本发明已经应用了多分辨率处理。将本DL系统的性能参数与较早实施的其他常规方法进行了比较，结果显示了狭窄误差的总体改善。

本发明提供的技术方案，与现有技术相比，包括至少以下优点：

(i)由于其简单，无创且价格低廉的特性，可以以可重复的方式进行；

(ii)可以使用通常已经可用的设备进行；

(iii)它不集中在动脉腔上，而是集中在动脉壁上，而动脉壁是动脉粥样硬化的真正目标。因此颈动脉超声检查可以使临床医生可视化颈动脉壁和管腔表面，测量血液动力学参数，从而量化动脉粥样硬化的严重程度。可以识别出各种程度的动脉粥样硬化变化，包括内膜中层增厚，斑块形成，狭窄和颈动脉阻塞。可以说本发明是基于US检查平台的全新开发与拓展。

同时，本发明使用的基于DL的系统的较深层包含用于动脉腔内壁检测的基于智能和学习的方法。由于高分辨率B模式US扫描与强大的DL策略的结合，本发明基于DL的解决方案将获得更准确的狭窄严重程度指数(severity index，SSI)测量和风险分层。因此，本发明的创新是三方面的：(I)在颈中央动脉(Central carotid artery，CCA)US扫描中自动准确地检测管腔区域；(II)然后进行近LI和远LI的边界检测；(III)基于SSI得出风险表征和分层。算法用于管腔检测的新颖之处在于，基于智能的范例与多分辨率框架(对图像进行降采样)一起使用，这进一步提高了DL系统的速度。总之，本发明提出了一种基于DL的检测系统来表征中风风险，填补了使用DL自动侦测领域的空白。

本发明的实施例还提供一种基于深度学习的颈动脉狭窄检测装置，如图4所示，包括：

预处理模块，用于获取超声图像数据，对所述超声图像数据进行预处理，删除所述超声图像数据中的非组织区域；

特征提取模块，用于提取所述超声图像数据的二进制管腔特征，将所述超声图像数据中的每个像素分为管腔或非管腔；

检测模块，用于对提取的二进制管腔特征进行近管腔内壁以及远管腔内壁检测得到检测数据；

得到模块，用于基于所述检测数据得到风险表征和\或绩效评估结果。

在一个实施例中，还包括：

对所述超声图像数据进行自动裁剪、管腔二值化处理、图像缩小和\或清洁以及图像下采样。

在一个实施例中，所述图像缩小包括：

将所述超声图像数据缩小预设比例，将超声图像数据中的颈动脉壁分为第一高回声层，低回声层和第二高回声层。

在一个实施例中，所述提取所述超声图像数据的二进制管腔特征包括：

通过编码器采用卷积和VGG网络架构进行二进制管腔特征的提取；

基于扫描训练池对其先前卷积层的特征进行下采样，使用的激活函数是整流线性单元，包括：

f(x)＝max(0，x)→[1]。

本发明是基于US使用深度学习技术对颈动脉狭窄进行自动计算与诊断。DL与传统方法不同的是DL在人体内部生成特征。DL由多层神经网络组成，这些神经网络在大量数据上进行训练，给出真实情况描述，然后用于预测测试数据集上的分段。

其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。

在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，DSP)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。