基于医学超声图像的颈动脉斑块检测方法及装置

技术领域

本申请涉及医学检测领域，特别是基于医学超声图像的颈动脉斑块检测方法及装置。

背景技术

短暂性脑缺血发作(transient ischemic attack，TIA)是一种短暂和可逆的神经功能缺损综合征，同时也是脑梗死的重要危险因素。研究显示，TIA后脑梗死发生率高达8.0％～10.5％。颈动脉作为脑供血的主要血管，其动脉粥样硬化斑块是引起TIA及脑梗死的主要原因之一。最新的现有研究表示颈动脉斑块新生血管灌注模式亦是TIA患者复发或发生缺血性脑卒中的独立危险因素之一。

而在现有的临床检测中，需要至少两名具有高年资的超声诊断医师对所获得的超声造影图像进行斑块的增强分级判断，才能较为准确地得出颈动脉斑块新生血管灌注模式的诊断结果，所需人员成本巨大，耗费时间过长；并且由于为人为判断过程，容易引入个人的主观判断因素，从而导致判断结果准确性下降。

发明内容

鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的基于医学超声图像的颈动脉斑块检测方法及装置，包括：

一种基于医学超声图像的颈动脉斑块检测方法，包括：

利用人工神经网络的自学习能力，建立患者的颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系；

获取患者的当前颈动脉对应的医学超声图像的当前特征参数；

通过所述对应关系，确定与所述当前特征参数对应的当前颈动脉斑块内新生血管灌注模式；具体地，确定与所述特征参数对应的当前颈动脉斑块内新生血管灌注模式，包括：将所述对应关系中与所述当前特征参数相同的特征参数所对应的颈动脉斑块内新生血管灌注模式，确定为所述当前颈动脉斑块内新生血管灌注模式。

进一步地，

所述特征参数，包括：图像特征和/或病史特征，和/或由按设定规律自所述图像特征、所述病史特征中提取的特征组成的一维或两维以上的数组；其中，

所述图像特征，包括：斑块位置，斑块大小，斑块内部回声特征，斑块表面形态，内膜回声不连续或表面溃疡，偏心指数，斑块厚度，对侧内冲膜厚度，内部出现液化成分，以及颈动脉斑块内部造影剂增强的强度分级；

所述病史特征，包括：高血压，糖尿病，高血脂，吸烟史，脑卒中家族史，以及服药依从性；

和/或，

所述对应关系，包括：函数关系；所述特征参数为所述函数关系的输入参数，所述颈动脉斑块内新生血管灌注模式为所述函数关系的输出参数；

确定与所述当前特征参数对应的当前颈动脉斑块内新生血管灌注模式，还包括：

当所述对应关系包括函数关系时，将所述当前特征参数输入所述函数关系中，确定所述函数关系的输出参数为当前颈动脉斑块内新生血管灌注模式。

进一步地，所述建立颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系的步骤，包括：

获取用于建立所述特征参数与所述颈动脉斑块内新生血管灌注模式之间的对应关系的样本数据；

分析所述特征参数的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；

使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述特征参数与所述颈动脉斑块内新生血管灌注模式的所述对应关系。

进一步地，所所述获取用于建立所述特征参数与所述颈动脉斑块内新生血管灌注模式之间的对应关系的样本数据的步骤，包括：

收集不同颈动脉斑块内新生血管灌注模式的患者的所述特征参数和所述颈动脉斑块内新生血管灌注模式；

对所述特征参数进行分析、并结合预存的专家经验信息，选取与所述颈动脉斑块内新生血管灌注模式相关的数据作为所述特征参数；

将所述颈动脉斑块内新生血管灌注模式、以及选取的所述特征参数构成的数据对，作为样本数据。

进一步地，

所述网络结构，包括Faster R-CNN网络，FPN网络，SqeezeNet网络，VGG模型，GoogLeNet网络，ResNet网络，以及，Network-In-Network模型中的至少之一；

和/或，

所述网络参数，包括：密集块数，输出层数，卷积层数，反卷积层数，过度层数，初始权值，以及，偏置值中的至少之一。

进一步地，

对所述网络结构和所述网络参数进行训练，包括：

选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述特征参数输入到所述网络结构，通过所述网络结构的激活函数和所述网络参数进行训练，得到实际训练结果；

确定所述实际训练结果与所述训练样本中的相应颈动脉斑块内新生血管灌注模式之间的实际训练误差是否满足预设训练误差；

当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训练完成；

和/或，

对所述网络结构和所述网络参数进行测试，包括：

选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述特征参数输入到所述训练完成的所述网络结构中，以所述激活函数和所述训练完成的所述网络参数进行测试，得到实际测试结果；

确定所述实际测试结果与所述测试样本中的相应颈动脉斑块内新生血管灌注模式之间的实际测试误差是否满足设定测试误差；

当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络参数的所述测试完成。

进一步地，

对所述网络结构和所述网络参数进行训练，还包括：

当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差能量函数更新所述网络参数；

通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；

和/或，

对所述网络结构和所述网络参数进行测试，还包括：

当所述实际测试误差不满足所述设定测试误差时，对所述网络结构和所述网络参数进行重新训练，直至所述重新训练后的实际测试误差慢速所述设定测试误差。

一种基于医学超声图像的颈动脉斑块检测装置，包括：

建立模块，用于利用人工神经网络的自学习能力，建立患者的颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系；

获取模块，用于获取患者的当前颈动脉对应的医学超声图像的当前特征参数；

确定模块，用于通过所述对应关系，确定与所述当前特征参数对应的当前颈动脉斑块内新生血管灌注模式；具体地，确定与所述特征参数对应的当前颈动脉斑块内新生血管灌注模式，包括：将所述对应关系中与所述当前特征参数相同的特征参数所对应的颈动脉斑块内新生血管灌注模式，确定为所述当前颈动脉斑块内新生血管灌注模式。

一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的基于医学超声图像的颈动脉斑块检测方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的基于医学超声图像的颈动脉斑块检测方法的步骤。

本申请具有以下优点：

在本申请的实施例中，利用人工神经网络的自学习能力，建立患者的颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系；获取患者的当前颈动脉对应的医学超声图像的当前特征参数；通过所述对应关系，确定与所述当前特征参数对应的当前颈动脉斑块内新生血管灌注模式；具体地，确定与所述特征参数对应的当前颈动脉斑块内新生血管灌注模式，包括：将所述对应关系中与所述当前特征参数相同的特征参数所对应的颈动脉斑块内新生血管灌注模式，确定为所述当前颈动脉斑块内新生血管灌注模式。提升了神经网络的提取有效特征的能力，加强对有用特征的关注，减少对无用特征的关注程度，以提升检测网络的的检测精度；降低了检测需要的人员成本，耗费时间短，准确性高。

附图说明

为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的一种基于医学超声图像的颈动脉斑块检测方法的步骤流程图；

图2是本申请一实施例提供的一种基于医学超声图像的颈动脉斑块检测方法的斑块内部造影剂增强分级示意图；

图3是本申请一实施例提供的一种基于医学超声图像的颈动脉斑块检测方法的Logistic回归模型的ROC曲线图；

图4是本申请一实施例提供的一种基于医学超声图像的颈动脉斑块检测装置的结构框图；

图5是本发明一实施例的一种计算机设备的结构示意图。

具体实施方式

为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参照图1，示出了本申请一实施例提供的一种基于医学超声图像的颈动脉斑块检测方法，包括：

S110、利用人工神经网络的自学习能力，建立患者的颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系；

S120、获取患者的当前颈动脉对应的医学超声图像的当前特征参数；

S130、通过所述对应关系，确定与所述当前特征参数对应的当前颈动脉斑块内新生血管灌注模式；具体地，确定与所述特征参数对应的当前颈动脉斑块内新生血管灌注模式，包括：将所述对应关系中与所述当前特征参数相同的特征参数所对应的颈动脉斑块内新生血管灌注模式，确定为所述当前颈动脉斑块内新生血管灌注模式。

在本申请的实施例中，在本申请的实施例中，利用人工神经网络的自学习能力，建立患者的颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系；获取患者的当前颈动脉对应的医学超声图像的当前特征参数；通过所述对应关系，确定与所述当前特征参数对应的当前颈动脉斑块内新生血管灌注模式；具体地，确定与所述特征参数对应的当前颈动脉斑块内新生血管灌注模式，包括：将所述对应关系中与所述当前特征参数相同的特征参数所对应的颈动脉斑块内新生血管灌注模式，确定为所述当前颈动脉斑块内新生血管灌注模式。提升了神经网络的提取有效特征的能力，加强对有用特征的关注，减少对无用特征的关注程度，以提升检测网络的的检测精度；降低了检测需要的人员成本，耗费时间短，准确性高。

下面，将对本示例性实施例中基于医学超声图像的颈动脉斑块检测方法作进一步地说明。

如上述步骤S110所述，利用人工神经网络的自学习能力，建立患者的颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系。

例如：利用人工神经网络算法来分析颈动脉斑块内新生血管灌注模式对应的患者的颈动脉医学超声图像中的特征参数的显示状态规律，通过人工神经网络的自学习、自适应特性找到患者的颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的映射规律。

例如：可以利用人工神经网络算法，通过对大量不同志愿者(包括但不限于如下的一种或多种：年龄，性别，病史等，其中病史包括但不限于：高血压，糖尿病，高血脂，吸烟史，脑卒中家族史，以及服药依从性)的颈动脉医学超声图像中的特征参数汇总收集，选取若干志愿者的颈动脉医学超声图像中的特征参数及颈动脉斑块内新生血管灌注模式作为样本数据，对神经网络进行学习和训练，通过调整网络结构及网络节点间的权值，使神经网络拟合颈动脉医学超声图像中的特征参数及颈动脉斑块内新生血管灌注模式之间的关系，最终使神经网络能准确拟合出不同患者的颈动脉医学超声图像中的特征参数及颈动脉斑块内新生血管灌注模式的对应关系。

在一实施例中，所述特征参数，包括：图像特征和/或病史特征，和/或由按设定规律自所述图像特征、所述病史特征中提取的特征组成的一维或两维以上的数组；

可选地，所述图像特征，包括：斑块位置，斑块大小，斑块内部回声特征，斑块表面形态，内膜回声不连续或表面溃疡，偏心指数，斑块厚度，对侧内冲膜厚度，内部出现液化成分，以及颈动脉斑块内部造影剂增强的强度分级；

参照图2，需要说明的是，所述颈动脉斑块内部造影剂增强的强度分级包括：1A：0级，不增强；1B：1级，外膜增强，斑块内未见增强；1C：2级，斑块内少量散在点状增强；1D：3级，线状增强伸入至斑块内部；1E：4级，斑块内弥漫性增强(图中箭头所指为区域为斑块，左侧为增强前图像，右侧为增强后图像)。

可选地，所述病史特征，包括：高血压，糖尿病，高血脂，吸烟史，脑卒中家族史，以及服药依从性；

需要说明的是，所述病史特征中的高血压，糖尿病，高血脂，吸烟史，以及脑卒中家族史，其特征的表达可以为“是否患有”作为表达形式，以高血压为例，其特征表达具体则为“患有高血压”或“没有患有高血压”；

而服药依从性其特征的表达则可以为“好”或“坏”作为表达形式，其特征表达具体则可以为“服药依从性好”或“服药依从性坏”。

作为一种示例，依据纳入标准收集2014年1月一2014年12月深圳市第二人民医院脑卒中基地曾有TIA的颈动脉斑块患者。纳入标准：①符合2009年由美国卒中协会提出的最新TIA定义，由于局灶性脑和视网膜缺血所致的短暂发作的神经功能缺损，典型的临床症状持续时间一般<1h，无急性梗死的证据；②经常规超声检查显示存在颈动脉斑块，斑块厚度≥2.5mm；③年龄>45岁。排除标准：①既往有脑梗死、脑出血等脑血管病史；②存在意识障碍或不能配合检查；③伴严重感染、心肺功能不全、肝肾功能不全、呼吸衰竭或恶性肿瘤；④斑块内部以强回声为主或为均一强回声；⑤未进行斑块超声造影；⑥失访。

最终纳入61例患者，男28例，女33例，年龄48～88岁，平均(67.2±10.8)岁。合并高血压41例，糖尿病34例，高血脂21例，有吸烟史19例，有脑卒中家族史20例，服药依从性差21例。随访期间共9例发生缺血性脑卒中，16例再发TIA。随访时间≥18个月。

采用Siemens Acuson S2000彩色多普勒超声诊断仪，9L4宽频线阵探头，频率7～14MHz，配有对比脉冲序列(CPS)软件。患者平卧于检查床，头偏向对侧，充分暴露被检查侧颈部。沿颈总动脉由下向上进行纵向和横向扫查，观察双侧颈动脉斑块部位、大小、内部回声特征。选择颈总动脉或颈内动脉起始处厚度≥2.5mm的斑块进行CEUS检查，如有多个斑块，则选择其中最大者。评估目标斑块二维超声特征，对比斑块内部回声与同侧胸锁乳突肌的回声，将其分为低回声、等回声及混合回声3种类型。测量斑块大小，观察有无不稳定特征：表面形态不规则、内膜回声不连续或表面溃疡、偏心指数(斑块厚度/对侧内冲膜厚度)>2、内部出现液化成分等。

对目标斑块行CEUS。图像显示满意后，选择CEUS程序，进入Cadence造影模式，机械指数0.2。经左肘正中静脉团注SonoVue混悬液2.5mm，后快速推注5ml生理盐水。注药同时开始计时并记录图像，观察管腔及斑块内造影剂充填过程。如在斑块内部或边缘见动态的点状强回声或高回声信号，则判断为斑块内可见造影剂增强回声。参考李超伦等的分级方法，将造影后颈动脉斑块内部造影剂增强的强度分为0～4级。0级：不增强；1级：外膜增强，斑块内未见增强；2级：斑块内少量散在点状增强；3级：线状增强伸入至斑块内部；4级：斑块内弥漫性增强(图2)。由2名高年资超声诊断医师共同判断斑块的增强分级。

超声检查后，患者常规控制血管危险因素，如高血压、糖尿病、高脂血症等。每3个月随访1次，了解患者服药依从性，有无复发TIA或发生缺血性脑卒中，至少随访18个月。服药依从性以患者遵医嘱服药的天数占总随访天数的比例判断，遵医嘱服药天数一总随访天数的80％为依从性好，否则为依从性差。初发症状体征完全恢复后再次出现新的持续性的神经功能缺损，并有影像学证据，定义为发生缺血性脑卒中；新的神经功能缺损在1h内完全恢复，定义为再发TIA。将随访期间发生缺血性脑卒中或再发TIA定义为再发病组，反之为未再发病组。

采用SPSS17.0统计分析软件。计数资料以频数和百分率(％)表示，组间比较采用X

需要说明的是，通过对61例患者(再发病组25例，未再发病组36例)的所采集的参数进行分析，得出两组患者在年龄和性别上构成差异无统计学意义(P>0.05)；而高血压、糖尿病、高血脂发病率、吸烟史、脑卒中家族史发生率、服药依从性则均表现出具有统计学意义(P均<0.05)，具体数据见表1和表2。因此，在本发明方法中年龄和性别不纳入作为特征。

表1

表2

对61例患者的斑块检测中，等回声斑块22例，低回声斑块18例，混合回声斑块21例。斑块最大厚度(3.2士0.7)mm。25个斑块出现表面形态不规则或溃疡、偏心指数>2、内部见液化成分等不稳定特征。CEUS：0级增强18例，1级增强7例，2级增强12例，3级增强15例，4级增强9例。再发病组与未再发病组间二维超声斑块稳定性特征、CEUS增强强度级别均有统计学意义(P均<0.05，表3)。

表3

以是否再发TIA或发生缺血性脑卒中为因变量，将差异有统计学意义的指标(高血压、糖尿病、高血脂、吸烟史、脑卒中家族史、服药依从性、二维超声斑块稳定性特征和CEUS特征作为自变量进行Logistic回归分析，见表4，获得回归常数为-6.965。高血压、糖尿病、服药依从性、二维超声斑块稳定性特征及CEUS特征均是预测患者再发TIA或缺血性脑卒中的独立危险因素。在校正传统危险因素后，斑块CEUS3～4级增强是再发TIA或缺血性脑卒中的独立危险因素(P<0.01)。依据OR值大小判断影响再发病的强度大小，排列为CEUS特征、高血压、药物依从性、高血糖及二维超声斑块稳定性特征。Logistic回归模型为：

P(Y)＝exp(-6.965+3.146X1+2.080X2+2.238X3+1.945X4+3.167X5)/[1+exp(-6.965+3.146X1+2.080X2+2.238X3+1.945X4+3.167X5)]。

采用ROC曲线评价Logistic回归模型诊断再发TIA或发生缺血性脑卒中的效能(图2)，ROC曲线下面积为0.881[95％CI(0.797，0.964)，P<0.05]。

表4

在一实施例中，所述对应关系，包括：函数关系。

优选地，所述特征参数为所述函数关系的输入参数，所述颈动脉斑块内新生血管灌注模式为所述函数关系的输出参数；

由此，通过多种形式的对应关系，可以提升对当前颈动脉斑块内新生血管灌注模式确定的灵活性和便捷性。

如：将传统卷积提取到的特征经过两路处理：第一路通过对特征图压缩和激发两步操作，使得网络以学习的方式自动获取每个特征通道的重要程度，依照特征通道的重要程度去提升有用的特征，并抑制对当前任务影响较小的特征。其中，压缩操作采用全局平均池化得以实现；激发操作采用两层全连接层实现，第一层全连接层后接一个Relu激活函数层，第二层全连接层后接一个Sigmoid激活函数层，将权重归一化为0～1之间。第二路采用1*1*1卷积和3*3*3卷积对特征通道进行压缩，再经过Sigmoid激活函数层将空间信息所对应的权重归一化为0～1之间并融合。通过上述网络结构使得网络模型在空间信息这一维度上，有用的空间信息得到加强，无用的空间信息被削弱。采用1*1*1和3*3*3卷积通过不同感受野获取不同权重的空间信息。在提取图像特征的过程中，利用不同大小的卷积核以不同的感受野获取特征信息，并将其融合，提升了空间信息的利用率，从小、中、大三个不同分辨率尺度的特征图中进行预测，充分地利用了特征信息，提升了网络模型的性能；在正样本和背景样本分类的损失函数中加入权重因子和平衡因子，使正负样本的数量达到平衡，并且使模型更关注难分、易分错的样本，有效防止过拟合，提升了分类模型的性能。

在一实施例中，可以结合下列描述进一步说明步骤S110中“建立颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系”的具体过程。

如下列步骤所述：获取用于建立所述特征参数与所述颈动脉斑块内新生血管灌注模式之间的对应关系的样本数据；

在一进阶实施例中，可以结合下列描述进一步说明“获取用于建立所述特征参数与所述颈动脉斑块内新生血管灌注模式之间的对应关系的样本数据”的具体过程。

如下列步骤所述：收集不同颈动脉斑块内新生血管灌注模式的患者的所述特征参数和所述颈动脉斑块内新生血管灌注模式；

例如：数据搜集：搜集不同病史状况的患者的特征参数及对应的颈动脉斑块内新生血管灌注模式；以及，搜集不同年龄的患者的特征参数及对应的颈动脉斑块内新生血管灌注模式；以及，搜集不同性别的患者的特征参数及对应的颈动脉斑块内新生血管灌注模式。

由此，通过多种途径收集运行数据，有利于增加运行数据的量，提升人工神经网络的学习能力，进而提升确定的对应关系的精准性和可靠性。

如下列步骤所述：对所述特征参数进行分析、并结合预存的专家经验信息，选取与所述颈动脉斑块内新生血管灌注模式相关的数据作为所述特征参数(例如：选取对颈动脉斑块内新生血管灌注模式有影响的特征参数作为输入参数，将指定参数作为输出参数)；

例如：通过将已确诊的志愿者的相关数据中的特征参数作为输入参数，将其相关数据中的颈动脉斑块内新生血管灌注模式作为输出参数。

如下列步骤所述：将所述颈动脉斑块内新生血管灌注模式、以及选取的所述特征参数构成的数据对，作为样本数据。

例如：将得到的输入、输出参数对，一部分用作训练本样数据，一部分用作测试样本数据。

由此，通过对收集到的特征参数进行分析及处理，进而得到样本数据，操作过程简单，操作结果可靠性高。

如下列步骤所述：分析所述特征参数的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；

例如：根据不同的病史对颈动脉斑块内新生血管灌注模式具有影响的数据特性及其所蕴含的规律，可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。

优选地，所述网络结构，包括：Faster R-CNN网络，FPN网络，AlexNet网络，SqeezeNet网络，VGG模型，GoogLeNet网络，ResNet网络，以及，深度特征增强网络中的至少之一。

优选地，所述网络参数，包括：密集块数，输出层数，卷积层数，反卷积层数，过度层数，特征增强层，初始权值，以及，偏置值中的至少之一。

参照图3，作为一种示例，人工神经网络的具体结构包括：首先包含2层3*3的卷积层，然后是4个三维的残差块，每一个残差块之后都连接一个池化层进行下采样，每个残差块由3个残差单元组成。为了提升网络模型对于小结节的检测精度，对第四层下采样之后的特征图进行两次上采样，并且上采样所得的特征图与对应大小的下采样特征图进行横向连接，以充分利用特征信息。

可选地，可以结合下列描述进一步说明步骤“使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述特征参数与所述颈动脉斑块内新生血管灌注模式的所述对应关系”中对所述网络结构和所述网络参数进行训练的具体过程。

如下列步骤所述，选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述特征参数输入到所述网络结构，通过所述网络结构和所述网络参数进行训练，得到实际训练结果；确定所述实际训练结果与所述训练样本中的相应颈动脉斑块内新生血管灌注模式之间的实际训练误差是否满足预设训练误差；当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训练完成；

更可选地，对所述网络结构和所述网络参数进行训练，还包括：

当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差能量函数更新所述网络参数；通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；

例如：若测试误差满足要求，则网络训练测试完成。

由此，通过将测试样本用于训练得到的网络结构和网络参数进行测试，以进一步验证网络结构及网络参数的可靠性。

可选地，可以结合下列描述进一步说明步骤“使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述特征参数与所述颈动脉斑块内新生血管灌注模式的所述对应关系”中对所述网络结构和所述网络参数进行测试的具体过程。

如下列步骤所述，选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述特征参数输入到所述训练完成的所述网络结构中，以所述激活函数和所述训练完成的所述网络参数进行测试，得到实际测试结果；确定所述实际测试结果与所述测试样本中的相应颈动脉斑块内新生血管灌注模式之间的实际测试误差是否满足设定测试误差；当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络参数的所述测试完成。

如上述步骤S120所述，获取患者的当前颈动脉的当前特征参数；

如上述步骤S130所述，通通过所述对应关系，确定与所述当前特征参数对应的当前颈动脉斑块内新生血管灌注模式。

例如：实时识别出患者的颈动脉医学超声图像中的特征参数。

由此，通过基于对应关系，根据当前特征参数有效地识别出颈动脉的当前颈动脉斑块内新生血管灌注模式，从而为医生的诊断提供准确的判断依据，且判断结果精准性好。

在一个可选例子中，步骤S130中确定与所述特征参数对应的当前颈动脉斑块内新生血管灌注模式，可以包括：将所述对应关系中与所述当前特征参数相同的特征参数所对应的颈动脉斑块内新生血管灌注模式，确定为所述当前颈动脉斑块内新生血管灌注模式。

在一个可选例子中，步骤S130中确定与所述特征参数对应的当前颈动脉斑块内新生血管灌注模式，还可以包括：当所述对应关系可以包括函数关系时，将所述当前特征参数输入所述函数关系中，确定所述函数关系的输出参数为当前颈动脉斑块内新生血管灌注模式。

由此，通过基于对应关系或函数关系，根据当前特征参数确定当前颈动脉斑块内新生血管灌注模式，确定方式简便，确定结果可靠性高。

在一个可选实施方式中，还可以包括：验证所述当前颈动脉斑块内新生血管灌注模式与实际颈动脉斑块内新生血管灌注模式是否相符的过程。

可选地，可以接收到所述当前颈动脉斑块内新生血管灌注模式与实际颈动脉斑块内新生血管灌注模式不符的验证结果、和/或确定所述对应关系中没有与所述当前特征参数相同的特征参数时，对所述对应关系进行更新、修正、再学习中的至少一种维护操作。

例如：设备本身无法获知到实际颈动脉斑块内新生血管灌注模式，需要有医生的反馈操作才行，即如果设备智能判断出颈动脉斑块内新生血管灌注模式，医生通过操作反馈其与实际的状态不符，设备才能获知。

验证所述当前颈动脉斑块内新生血管灌注模式与实际颈动脉斑块内新生血管灌注模式是否相符(例如：可以通过AR显示模块对实际颈动脉斑块内新生血管灌注模式进行显示，以验证确定的所述当前颈动脉斑块内新生血管灌注模式与实际颈动脉斑块内新生血管灌注模式是否相符)。

当所述当前颈动脉斑块内新生血管灌注模式与实际颈动脉斑块内新生血管灌注模式不符、和/或所述对应关系中没有与所述当前特征参数相同的特征参数时，对所述对应关系进行更新、修正、再学习中的至少一种维护操作。

例如：可以根据维护后的对应关系，根据所述当前特征参数确定当前颈动脉斑块内新生血管灌注模式。例如：将维护后的所述对应关系中与所述当前特征参数相同的特征参数对应的颈动脉斑块内新生血管灌注模式，确定为当前颈动脉斑块内新生血管灌注模式。

由此，通过对确定的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系的维护，有利于提升对颈动脉斑块内新生血管灌注模式确定的精准性和可靠性。

将收集的数据的一半导入本方法的人工神经网络中进行学习训练，并用采用剩余的另一半数据作为模型的检测数据，通过与实际结果对比，本发明方法所得到的结果的准确率上能够达到95％以上。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

参照图4，示出了本申请一实施例提供的一种基于医学超声图像的颈动脉斑块检测装置，包括：

建立模块410，用于利用人工神经网络的自学习能力，建立患者的颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系；

获取模块420，用于获取患者的当前颈动脉对应的医学超声图像的当前特征参数；

确定模块430，用于通过所述对应关系，确定与所述当前特征参数对应的当前颈动脉斑块内新生血管灌注模式；具体地，确定与所述特征参数对应的当前颈动脉斑块内新生血管灌注模式，包括：将所述对应关系中与所述当前特征参数相同的特征参数所对应的颈动脉斑块内新生血管灌注模式，确定为所述当前颈动脉斑块内新生血管灌注模式。

在一实施例中，所述特征参数，包括：兴趣区图像序列中按设定规律提取的用于表示每个像素的运动模式；其中，

所述特征参数，包括：图像特征和/或病史特征，和/或由按设定规律自所述图像特征、所述病史特征中提取的特征组成的一维或两维以上的数组；其中，

所述图像特征，包括：斑块位置，斑块大小，斑块内部回声特征，斑块表面形态，内膜回声不连续或表面溃疡，偏心指数，斑块厚度，对侧内冲膜厚度，内部出现液化成分，以及颈动脉斑块内部造影剂增强的强度分级；

所述病史特征，包括：高血压，糖尿病，高血脂，吸烟史，脑卒中家族史，以及服药依从性；

和/或，

所述对应关系，包括：函数关系；所述特征参数为所述函数关系的输入参数，所述颈动脉斑块内新生血管灌注模式为所述函数关系的输出参数；

确定与所述当前特征参数对应的当前颈动脉斑块内新生血管灌注模式，还包括：

当所述对应关系包括函数关系时，将所述当前特征参数输入所述函数关系中，确定所述函数关系的输出参数为当前颈动脉斑块内新生血管灌注模式。

在一实施例中，所述建立模块410，包括：

获取子模块，用于获取用于建立所述特征参数与所述颈动脉斑块内新生血管灌注模式之间的对应关系的样本数据；

分析子模块，用于分析所述特征参数的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；

训练子模块，用于使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述特征参数与所述颈动脉斑块内新生血管灌注模式的所述对应关系。

在一实施例中，所述获取子模块，包括：

收集子模块，用于收集不同颈动脉斑块内新生血管灌注模式的患者的所述特征参数和所述颈动脉斑块内新生血管灌注模式；

分析子模块，用于对所述特征参数进行分析、并结合预存的专家经验信息，选取与所述颈动脉斑块内新生血管灌注模式相关的数据作为所述特征参数；

样本数据生成子模块，用于将所述颈动脉斑块内新生血管灌注模式、以及选取的所述特征参数构成的数据对，作为样本数据。

在一实施例中，

所述网络结构，包括Faster R-CNN网络，FPN网络，SqeezeNet网络，VGG模型，GoogLeNet网络，ResNet网络，以及，Network-In-Network模型中的至少之一；

和/或，

所述网络参数，包括：密集块数，输出层数，卷积层数，反卷积层数，过度层数，初始权值，以及，偏置值中的至少之一。

在一实施例中，

所述训练子模块，包括：

训练结果生成子模块，用于选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述特征参数输入到所述网络结构，通过所述网络结构的激活函数和所述网络参数进行训练，得到实际训练结果；

训练结果误差判断子模块，用于确定所述实际训练结果与所述训练样本中的相应颈动脉斑块内新生血管灌注模式之间的实际训练误差是否满足预设训练误差；

训练完成判定子模块，用于当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训练完成；

和/或，

测试子模块，用于对所述网络结构和所述网络参数进行测试，所述测试子模块，包括：

测试结果生成子模块，用于选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述特征参数输入到所述训练完成的所述网络结构中，以所述激活函数和所述训练完成的所述网络参数进行测试，得到实际测试结果；

测试结果误差判断子模块，用于确定所述实际测试结果与所述测试样本中的相应颈动脉斑块内新生血管灌注模式之间的实际测试误差是否满足设定测试误差；

测试完成判定子模块，用于当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络参数的所述测试完成。

在一实施例中，

所述训练子模块，还包括：

网络参数更新子模块，用于当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差能量函数更新所述网络参数；

第一重训练子模块，用于通过所述网络结构和更新后的所述网络参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；

和/或，

所述测试子模块，还包括：

第二重训练子模块，用于当所述实际测试误差不满足所述设定测试误差时，对所述网络结构和所述网络参数进行重新训练，直至所述重新训练后的实际测试误差慢速所述设定测试误差。

参照图5，示出了本发明的一种基于医学超声图像的颈动脉斑块检测方法的计算机设备，具体可以包括如下：

上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图5中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于医学超声图像的颈动脉斑块检测方法。

也即，上述处理单元16执行上述程序时实现：利用人工神经网络的自学习能力，建立患者的颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系；获取患者的当前颈动脉对应的医学超声图像的当前特征参数；通过所述对应关系，确定与所述当前特征参数对应的当前颈动脉斑块内新生血管灌注模式；具体地，确定与所述特征参数对应的当前颈动脉斑块内新生血管灌注模式，包括：将所述对应关系中与所述当前特征参数相同的特征参数所对应的颈动脉斑块内新生血管灌注模式，确定为所述当前颈动脉斑块内新生血管灌注模式。

在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的基于医学超声图像的颈动脉斑块检测方法：

也即，给程序被处理器执行时实现：利用人工神经网络的自学习能力，建立患者的颈动脉医学超声图像中的特征参数与颈动脉斑块内新生血管灌注模式之间的对应关系；获取患者的当前颈动脉对应的医学超声图像的当前特征参数；通过所述对应关系，确定与所述当前特征参数对应的当前颈动脉斑块内新生血管灌注模式；具体地，确定与所述特征参数对应的当前颈动脉斑块内新生血管灌注模式，包括：将所述对应关系中与所述当前特征参数相同的特征参数所对应的颈动脉斑块内新生血管灌注模式，确定为所述当前颈动脉斑块内新生血管灌注模式。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的基于医学超声图像的颈动脉斑块检测方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。