本发明涉及医学影像分析，尤其涉及一种基于深度学习的动脉瘤检测及破裂风险评估方法及系统。
背景技术：
1、动脉瘤是一种常见的血管疾病，其特征为动脉壁局部异常扩张，形成囊状或梭状的血管扩张，动脉瘤的主要危险在于破裂出血，一旦破裂，可导致严重的并发症，如出血性休克、脑卒中等，甚至危及患者生命，因此，早期发现动脉瘤并准确评估其破裂风险对于患者的诊疗和预后至关重要；
2、传统的动脉瘤检测和风险评估主要依赖于医生的经验和影像学检查，然而，这种方式容易受到主观因素的影响，且对医生的专业性要求较高，此外，动脉瘤破裂风险的评估通常基于动脉瘤的形态学特征，如大小、形状等，对于风险评估的准确性和可靠性有限，近年来，随着人工智能技术的快速发展，深度学习在医学影像分析领域展现出巨大的潜力，能够实现更全面、更精准的疾病诊断和风险预测；
3、因此，亟需一种方案将人工智能技术应用至动脉瘤检测领域，解决现有技术中存在的问题。
技术实现思路
1、本发明实施例提供一种基于深度学习的动脉瘤检测及破裂风险评估方法及系统，至少能解决现有技术中的部分问题。
2、本发明实施例的第一方面，提供一种基于深度学习的动脉瘤检测及破裂风险评估方法，包括：
3、获取动脉瘤患者的ct图像和mri图像并构建多模态医学影像数据集，通过自适应维纳滤波算法对多模态医学影像数据集中的图像进行去噪处理，对去噪后的图像基于非局部均值算法计算不同图像块间的相似性并增强图像纹理和结构信息，通过分位数归一化方法进行标准化处理，通过掩码区域卷积神经网络对标准化处理后的图像进行前景分割，得到感兴趣区域；
4、将所述感兴趣区域添加至三维稠密连接网络模型中，通过密集连接和特征复用提取多尺度特征，结合启发模块和残差连接构建多尺度血管分割模型，基于所述多尺度血管分割模型，通过四维流场磁共振成像技术获取血管内血流速度和压力信息，结合流体动力学仿真和血管壁应急分析计算剪切应力分布和血流动力学特征，生成血管树并通过血管树拓扑结构编码算法转化为邻接矩阵，结合图卷积神经网络进行编码学习，得到动脉瘤风险评估结果的综合特征表示；
5、将所述综合特征表示添加至预设的集成学习模型中，通过多个基分类器对所述综合特征表示进行重要性分析，生成分类器预测结果，对所述分类器预测结果进行组合，生成定量评估结果，结合所述动脉瘤患者的临床因素和影像组学特征，通过多模态数据融合的生存分析模型预测得到动脉瘤破裂时间窗口和长期预后情况，结合自然语言生成技术生成当前患者的个性化评估报告。
6、在一种可选的实施方式中，
7、获取动脉瘤患者的ct图像和mri图像并构建多模态医学影像数据集，通过自适应维纳滤波算法对多模态医学影像数据集中的图像进行去噪处理，对去噪后的图像基于非局部均值算法计算不同图像块间的相似性并增强图像纹理和结构信息，通过分位数归一化方法进行标准化处理，通过掩码区域卷积神经网络对标准化处理后的图像进行前景分割，得到感兴趣区域包括：
8、获取动脉瘤患者的ct图像和mri图像，基于所述ct图像和所述mri图像构建多模态医学影像数据集，对于所述ct图像，基于自适应维纳滤波算法，通过局部均值和标准差估计每个图像中不同区域的噪声统计，基于所述噪声统计对维纳滤波器的窗口和阈值进行自适应优化，对当前区域进行平操作和边缘纹理细节保护，对于所述mri图像，基所述mri图像的立体结构性，对图像中每个像素块通过马氏距离进行相似性匹配，确定不同像素块间的块间相似度，结合自适应权重策略对具有不同块间相似度的像素块赋予权重并消除伪影，得到去噪后的图像；
9、对于去噪后的图像，通过拉伸灰度分布将图像灰度中位数映射至预先设定的灰度标准数值，结合自适应阈值算法，根据灰度直方图动态调整阈值并进行标准化处理，得到标准图像；
10、对于所述标准图像，通过区域建议网络生成候选区域，结合区域兴趣池化算法对所述候选区域对应的边界进行自适应调整，通过全连接层进行分类和包围盒回归，结合预先添加的并列全卷积分支输出所述候选区域对应的第一分割掩码，基于所述第一分割掩码，对所述ct图像和所述mri图像分别选择深度神经网络作为骨干网络，通过所述骨干网络提取高阶语义特征和精细结构纹理特征，通过注意力机制进行跨模态整合，结合兴趣区域池化算法进行融合，生成全局上下文信息并输出，结合所述第一分割掩码，得到所述感兴趣区域。
11、在一种可选的实施方式中，
12、基于自适应维纳滤波算法，通过局部均值和标准差估计每个图像中不同区域的噪声统计如下公式所示：
13、
14、其中，表示估计的原始图像在位置(x，y)的像素值，μ表示局部区域的均值，σ2表示局部区域的方差，v2表示噪声方差，α表示控制因子，snr表示信噪比，g(x，y)表示原始图像在(x，y)处的像素值。
15、在一种可选的实施方式中，
16、将所述感兴趣区域添加至三维稠密连接网络模型中，通过密集连接和特征复用提取多尺度特征，结合启发模块和残差连接构建多尺度血管分割模型，基于所述多尺度血管分割模型，通过四维流场磁共振成像技术获取血管内血流速度和压力信息，结合流体动力学仿真和血管壁应急分析计算剪切应力分布和血流动力学特征，生成血管树并通过血管树拓扑结构编码算法转化为邻接矩阵，结合图卷积神经网络进行编码学习，得到动脉瘤风险评估结果的综合特征表示包括：
17、获取所述感兴趣区域并添加至预先设置的三维稠密网络连接模型中，其中，所述三维稠密网络连接模型包括编码器和解码器，通过所述编码器设置多个稠密块，其中，每个稠密块包括多个卷积层，通过所述编码器提取所述感兴趣区域中的多尺度血管特征，结合每个稠密块之间的下采样层进行下采样操作，得到第一特征图，通过所述解码器对所述第一特征图进行上采样，将上采样后的特征图与编码器对应层的特征图进行融合，得到血管分割图；
18、通过预先设置的启发模块对所述血管分割图进行质量评估，预测通过计算所述血管分割图和标准分割图的差异进行质量预测，生成预测评分并根据所述预测评分对所述解码器中的残差链接进行自适应加权调整，结合辅助损失函数构建所述多尺度血管分割模型；
19、对患者进行四维流场磁共振成像检查并获取动脉瘤区域的时变血流速度和压力信息，通过光流法对所述时变血流速度和所述压力信息进行预处理，设置光流损失函数并设置血流速度场和压力场的物理约束，建模血流脉动的随机性，生成血流场，通过曲率导数法对所述血流场进行后处理并计算沿血管壁面的切向剪切力，得到动脉瘤区域的壁面剪切应力分布图并生成血管树；
20、对于所述血管树，通过拓扑结构编码算法将所述血管树转化为邻接矩阵，确定血管节点之间的联通关系，结合三维形态重建算法和几何测量提取动脉瘤的体积、表面积和长径比作为形态参数，结合血流速度场和压力场的时空变化特征确定所述血流动力学特征，以所述血管树为图结构，所述血流动力学特征和所述形态参数为节点属性，通过图卷积神经网络进行编码并确定血管节点之间的血流传播规律，通过逻辑回归模型进行预测，得到所述动脉瘤风险评估结果的综合特征表示。
21、在一种可选的实施方式中，
22、计算沿血管壁面的切向剪切力如下公式所示：
23、
24、其中，wss(mi)表示点mi处的切向剪切力，τi表示点mi处的切向量，η表示血液黏度，k表示点mi的相邻点总数量，ui表示点mi处的速度向量，uj表示点mi的相邻点mj处的速度向量，dij表示点mi和点mj之间的距离，eij表示从点mi到点mj的单位向量。
25、在一种可选的实施方式中，
26、将所述综合特征表示添加至预设的集成学习模型中，通过多个基分类器对所述综合特征表示进行重要性分析，生成分类器预测结果，对所述分类器预测结果进行组合，生成定量评估结果，结合所述动脉瘤患者的临床因素和影像组学特征，通过多模态数据融合的生存分析模型预测得到动脉瘤破裂时间窗口和长期预后情况，结合自然语言生成技术生成当前患者的个性化评估报告包括：
27、将所述综合特征表示按比例随机划分为训练集和测试集，其中，所述综合特征表示的80％被划分至训练集，20％被划分至测试集，将所述训练集添加至预先设置的集成学习模型中，通过所述训练集对所述集成学习模型中的基分类器进行训练；
28、基于训练结果调整所述基分类器的超参数并通过测试集进行验证，若验证通过则将新的动脉瘤病例添加至所述基分类器中，生成分类器预测结果并基于所述分类器预测结果自适应调整每个分类器对应的预测权重，通过预设的组合策略对所述训练结果进行融合，得到所述定量评估结果；
29、基于所述定量评估结果，结合当前动脉瘤患者的临床数据和影像组学特征，通过多模态数据融合的生存分析模型进行整合，将整合得到的特征添加至预先设置的风险函数中，基于风险函数值确定动脉瘤破裂的时间窗口并生成当前患者的生存概率曲线，通过自然语言分析技术对医生建议进行分析，生成数值化的术后效果并结合所述生存概率曲线确定长期预后情况；
30、基于所述长期预后情况，结合当前患者对应的基本信息和动脉瘤形态学描述，通过所述自然语言生成技术生成当前患者对应的个性化评估报告。
31、在一种可选的实施方式中，
32、自适应调整每个分类器对应的预测权重，通过预设的组合策略对所述训练结果进行融合如下公式所示：
33、
34、其中，表示融合结果，n表示基分类器总数量，r表示基分类器的索引编号，β表示注意力系数，fr表示第r个分类器在测试集上准确率，fp表示第p个分类器在测试集上的准确率，表示第r个分类器的预测输出，exp表示指数函数。
35、本发明实施例的第二方面，提供一种基于深度学习的动脉瘤检测及破裂风险评估系统，包括：
36、第一单元，用于获取动脉瘤患者的ct图像和mri图像并构建多模态医学影像数据集，通过自适应维纳滤波算法对多模态医学影像数据集中的图像进行去噪处理，对去噪后的图像基于非局部均值算法计算不同图像块间的相似性并增强图像纹理和结构信息，通过分位数归一化方法进行标准化处理，通过掩码区域卷积神经网络对标准化处理后的图像进行前景分割，得到感兴趣区域；
37、第二单元，用于将所述感兴趣区域添加至三维稠密连接网络模型中，通过密集连接和特征复用提取多尺度特征，结合启发模块和残差连接构建多尺度血管分割模型，基于所述多尺度血管分割模型，通过四维流场磁共振成像技术获取血管内血流速度和压力信息，结合流体动力学仿真和血管壁应急分析计算剪切应力分布和血流动力学特征，生成血管树并通过血管树拓扑结构编码算法转化为邻接矩阵，结合图卷积神经网络进行编码学习，得到动脉瘤风险评估结果的综合特征表示；
38、第三单元，用于将所述综合特征表示添加至预设的集成学习模型中，通过多个基分类器对所述综合特征表示进行重要性分析，生成分类器预测结果，对所述分类器预测结果进行组合，生成定量评估结果，结合所述动脉瘤患者的临床因素和影像组学特征，通过多模态数据融合的生存分析模型预测得到动脉瘤破裂时间窗口和长期预后情况，结合自然语言生成技术生成当前患者的个性化评估报告。
39、本发明实施例的第三方面，
40、提供一种电子设备，包括：
41、处理器；
42、用于存储处理器可执行指令的存储器；
43、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
44、本发明实施例的第四方面，
45、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
46、本发明中，通过获取动脉瘤患者的ct图像和mri图像，构建了一个丰富的多模态医学影像数据集，为后续的分析提供了更全面的信息来源，通过自适应维纳滤波算法对图像进行去噪处理，有效地去除了图像中的噪声，同时保留了重要的细节信息，提升了图像质量，通过掩码区域卷积神经网络对标准化处理后的图像进行前景分割，准确地识别出感兴趣区域，为进一步的详细分析打下基础，通过三维稠密连接网络模型中的密集连接和特征复用，提取了丰富的多尺度特征，增强了模型的特征表示能力，结合启发模块和残差连接构建的多尺度血管分割模型，能够准确分割出血管树，提升了血管分割的精度和细节保留，通过四维流场磁共振成像技术获取血管内血流速度和压力信息，提供了动态的血流数据，为血流动力学分析提供了基础，结合流体动力学仿真和血管壁应急分析，计算了剪切应力分布和血流动力学特征，深入分析了血管内的生物力学特征，综上，本发明实现了高精度的血管分割和详细的血流动力学分析，显著提升了动脉瘤检测的准确性和临床决策支持的可靠性。
1.基于深度学习的动脉瘤检测及破裂风险评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，获取动脉瘤患者的ct图像和mri图像并构建多模态医学影像数据集，通过自适应维纳滤波算法对多模态医学影像数据集中的图像进行去噪处理，对去噪后的图像基于非局部均值算法计算不同图像块间的相似性并增强图像纹理和结构信息，通过分位数归一化方法进行标准化处理，通过掩码区域卷积神经网络对标准化处理后的图像进行前景分割，得到感兴趣区域包括：
3.根据权利要求2所述的方法，其特征在于，基于自适应维纳滤波算法，通过局部均值和标准差估计每个图像中不同区域的噪声统计如下公式所示：
4.根据权利要求1所述的方法，其特征在于，将所述感兴趣区域添加至三维稠密连接网络模型中，通过密集连接和特征复用提取多尺度特征，结合启发模块和残差连接构建多尺度血管分割模型，基于所述多尺度血管分割模型，通过四维流场磁共振成像技术获取血管内血流速度和压力信息，结合流体动力学仿真和血管壁应急分析计算剪切应力分布和血流动力学特征，生成血管树并通过血管树拓扑结构编码算法转化为邻接矩阵，结合图卷积神经网络进行编码学习，得到动脉瘤风险评估结果的综合特征表示包括：
5.根据权利要求4所述的方法，其特征在于，计算沿血管壁面的切向剪切力如下公式所示：
6.根据权利要求1所述的方法，其特征在于，将所述综合特征表示添加至预设的集成学习模型中，通过多个基分类器对所述综合特征表示进行重要性分析，生成分类器预测结果，对所述分类器预测结果进行组合，生成定量评估结果，结合所述动脉瘤患者的临床因素和影像组学特征，通过多模态数据融合的生存分析模型预测得到动脉瘤破裂时间窗口和长期预后情况，结合自然语言生成技术生成当前患者的个性化评估报告包括：
7.根据权利要求6所述的方法，其特征在于，自适应调整每个分类器对应的预测权重，通过预设的组合策略对所述训练结果进行融合如下公式所示：
8.基于深度学习的动脉瘤检测及破裂风险评估系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
