基于人工智能的动脉硬化斑块风险评估的方法及系统

专利主权项内容

1.一种基于人工智能的动脉硬化斑块风险评估的方法，其特征在于，包括：获取CT血管造影图像；通过病灶检测模型，在所述CT血管造影图像中确定动脉硬化斑块所在的三维病灶区域；对所述三维病灶区域按照血管轴向进行分解，获得多个二维病灶区域；根据所述多个二维病灶区域，以及所述二维病灶区域所处的血管截面，确定体积危险性评分；根据所述二维病灶区域内的第一像素点的第一像素值，以及所述二维病灶区域所处的血管截面中的血管壁所在区域内的第二像素点的第二像素值，确定对比度危险性评分；根据多个二维病灶区域的轮廓，以及所述二维病灶区域的第一像素点的第一像素值，确定形态危险性评分；根据所述体积危险性评分、所述对比度危险性评分和所述形态危险性评分，获得高危动脉硬化斑块识别评分；在所述高危动脉硬化斑块识别评分大于或等于高危阈值的情况下，确定动脉硬化斑块为高危动脉硬化斑块；根据所述多个二维病灶区域，以及所述二维病灶区域所处的血管截面，确定体积危险性评分，包括：确定多个二维病灶区域的轮廓，以及所述二维病灶区域所处的血管截面的轮廓；根据所述二维病灶区域的轮廓，确定二维病灶区域的第一面积；根据所述血管截面的轮廓，确定血管截面的第二面积；根据所述第一面积和所述第二面积，确定所述体积危险性评分；根据所述第一面积和所述第二面积，确定所述体积危险性评分，包括：根据公式
；确定体积危险性评分，其中，/>为第i个二维病灶区域的第一面积，/>为第i个二维病灶区域所处的血管截面的第二面积，n为二维病灶区域的数量，1≤i≤n，且i和n为正整数，/>为比例阈值，/>为取最大值函数，其中，体积危险性评分通过条件函数的值来表示，条件函数的条件为/>，则在条件满足的情况下，体积危险性评分等于1，否则，体积危险性评分等于/>；根据所述二维病灶区域内的第一像素点的第一像素值，以及所述二维病灶区域所处的血管截面中的血管壁所在区域内的第二像素点的第二像素值，确定对比度危险性评分，包括：确定各个二维病灶区域内的第一像素点的第一像素值的第一平均值；确定各个二维病灶区域所处的血管截面中的血管壁所在区域内的第二像素点的第二像素值的第二平均值；根据所述第一平均值和所述第二平均值，确定所述对比度危险性评分；根据所述第一平均值和所述第二平均值，确定所述对比度危险性评分，包括：根据公式
；确定所述对比度危险性评分，其中，/>为第i个二维病灶区域的第一面积，V为动脉硬化斑块所在的三维病灶区域的体积，/>为第i个二维病灶区域内的第一像素点的第一像素值的第一平均值，/>为第i个二维病灶区域所处的血管截面中的血管壁所在区域内的第二像素点的第二像素值的第二平均值，/>为像素阈值，n为二维病灶区域的数量，1≤i≤n，且i和n为正整数，其中，条件函数的条件为/>，则在条件满足的情况下，条件函数值为/>，否则，条件函数值为0，对条件函数值进行加权平均，得到对比度危险性评分，权重为/>；根据多个二维病灶区域的轮廓，以及所述二维病灶区域的第一像素点的第一像素值，确定形态危险性评分，包括：获取二维病灶区域的轮廓的最小外接矩形；确定所述最小外接矩形的形心位置；根据最小外接矩形的边长，确定所述最小外接矩形的长度方向和宽度方向；确定所述二维病灶区域的轮廓与所述宽度方向的两个矩形边的交点，其中，两个交点将所述二维病灶区域的轮廓划分为两部分；在所述两个交点之间，确定两部分轮廓的中线，其中，所述中线上的点与两部分轮廓的距离相等；获取二维病灶区域所处的血管截面中，除所述二维病灶区域之外的其他区域中的像素点的最小像素值；根据所述中线、所述中线上的像素点的第一像素值、所述最小像素值和所述形心位置，确定所述形态危险性评分；根据所述中线、所述中线上的像素点的第一像素值、所述最小像素值和所述形心位置，确定所述形态危险性评分，包括：根据公式
；确定形态危险性评分，其中，/>为第i个二维病灶区域的轮廓的中线上的第j个像素点的位置，/>为第i个二维病灶区域的轮廓的最小外接矩形的形心位置，/>为/>和/>的连线，/>第i个二维病灶区域的轮廓，/>为空集，/>为第i个二维病灶区域的轮廓的中线上的第j个像素点的像素值，/>为第j个二维病灶区域所处的血管截面中，除二维病灶区域之外的其他区域中的像素点的最小像素值，/>为第i个二维病灶区域的轮廓的中线上的像素点数量，n为二维病灶区域的数量，1≤i≤n，1≤j≤/>，且i，j，n和/>均为正整数，其中，条件函数的条件为/>，则在条件满足的情况下，条件函数值为内层条件函数/>，否则，条件函数值为0，内层条件函数的条件为，则在条件满足的情况下，内层条件函数值为/>，否则，内层条件函数值为0，对中线上每个像素点的条件函数值进行累加，获得中线上具有餐巾环征的特征的像素点与中线上像素点总数的比例，对所述比例进行平均，获得所述形态危险性评分。