颈动脉斑块狭窄类别检测方法及其装置、电子设备

摘要

本申请提供了一种颈动脉斑块狭窄类别检测方法，包括：基于头颈部CTA图像、头颈部CTA图像的血管类别分段数据、斑块分割数据和血管中线，确定头颈部CTA图像中的颈动脉包括的斑块对应的斑块区域图像和斑块拉直区域图像；分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作，得到斑块狭窄率预测数据；基于斑块狭窄率预测数据，确定斑块对应的斑块狭窄类别检测结果。该方法能够有效利用斑块稀疏性特点，从而有效利用图像信息，提高特征提取的鲁棒性，进而实现提高斑块狭窄类别检测结果准确性的目的。此外，本申请采用稀疏卷积特征提取操作，能够降低算力要求，从而降低对设备显存要求，进而实现降低硬件成本的目的。

说明书

技术领域

本申请涉及医学图像处理领域，具体涉及一种颈动脉斑块狭窄类别检测方法及其装置、电子设备和计算机可读存储介质。

背景技术

颈动脉血管时常会出现不同类型的斑块，斑块狭窄类别(即，斑块不同程度的狭窄情况)与颈动脉血管的异常情况密切相关，因此，检测颈动脉斑块狭窄类别至关重要。

目前临床上通常需要人工诊断颈动脉斑块狭窄类别，然而，人工诊断过于依赖临床医生的工作经验，不同医生的检测结果也具有较大差异性，也就是说，存在斑块狭窄类别检测结果不准确的问题。

发明内容

有鉴于此，本申请实施例提供了一种颈动脉斑块狭窄类别检测方法及其装置、电子设备和计算机可读存储介质，以解决人工诊断颈动脉斑块狭窄类别斑块狭窄类别检测结果不准确的问题。

根据本申请实施例的第一方面，提供一种颈动脉斑块狭窄类别检测方法，包括：基于头颈部CTA图像、所述头颈部CTA图像的血管类别分段数据、斑块分割数据和血管中线，确定所述头颈部CTA图像中的颈动脉包括的斑块对应的斑块区域图像和斑块拉直区域图像；分别对所述斑块区域图像和所述斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作，得到斑块狭窄率预测数据；基于所述斑块狭窄率预测数据，确定所述斑块对应的斑块狭窄类别检测结果。

在一个实施例中，分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作，得到斑块狭窄率预测数据，包括：利用斑块狭窄率预测模型中的稀疏卷积特征提取分支，处理斑块区域图像，得到斑块区域图像对应的第一特征向量；利用斑块狭窄率预测模型中与稀疏卷积特征提取分支并行的卷积特征提取分支，处理斑块拉直区域图像，得到斑块拉直区域图像对应的第二特征向量；合并第一特征向量和第二特征向量，得到斑块狭窄率预测数据。

在一个实施例中，基于头颈部CTA图像、头颈部CTA图像的血管类别分段数据、斑块分割数据和血管中线，确定头颈部CTA图像中的颈动脉包括的斑块对应的斑块区域图像和斑块拉直区域图像，包括：基于血管类别分段数据，在头颈部CTA图像、头颈部CTA图像的斑块分割数据和血管中线中确定颈动脉CTA图像、颈动脉斑块分割数据和颈动脉血管中线；基于颈动脉CTA图像、颈动脉斑块分割数据和颈动脉血管中线，确定颈动脉包括的斑块对应的斑块区域图像和斑块拉直区域图像。

在一个实施例中，基于血管类别分段数据，在头颈部CTA图像、头颈部CTA图像的斑块分割数据和血管中线中确定颈动脉CTA图像、颈动脉斑块分割数据和颈动脉血管中线，包括：基于血管类别分段数据，确定颈动脉对应的第一边界框；基于第一边界框和预设余量值，确定颈动脉对应的第二边界框；利用第二边界框，在头颈部CTA图像、头颈部CTA图像的斑块分割数据和血管中线中截取颈动脉CTA图像、颈动脉斑块分割数据和颈动脉血管中线。

在一个实施例中，基于颈动脉CTA图像、颈动脉斑块分割数据和颈动脉血管中线，确定颈动脉包括的斑块对应的斑块区域图像和斑块拉直区域图像，包括：基于颈动脉血管中线，对颈动脉CTA图像和颈动脉斑块分割数据进行拉直操作，得到拉直图像；基于颈动脉斑块分割数据中斑块连通域的位置信息，对拉直图像和颈动脉CTA图像进行重采样操作，得到斑块区域图像和斑块拉直区域图像。

在一个实施例中，基于斑块狭窄率预测数据，确定斑块对应的斑块狭窄类别检测结果，包括：对斑块进行滑窗采样操作；基于斑块狭窄率预测数据，确定在滑窗采样操作中各个窗口对应的窗口斑块狭窄率预测值；将最大的窗口斑块狭窄率预测值，确定为斑块对应的斑块狭窄率预测值；基于斑块狭窄率预测值与斑块狭窄类别的预设关系，确定斑块狭窄类别检测结果。

在一个实施例中，基于斑块狭窄率预测数据，确定在滑窗采样操作中各个窗口对应的窗口斑块狭窄率预测值，包括：针对每个窗口，确定窗口的中心点坐标；将位于中心点坐标上的斑块狭窄率预测数据，作为窗口对应的窗口斑块狭窄率预测值。

根据本申请实施例的第二方面，颈动脉斑块狭窄类别检测装置，其特征在于，包括：第一确定模块，配置为基于头颈部CTA图像、头颈部CTA图像的血管类别分段数据、斑块分割数据和血管中线，确定头颈部CTA图像中的颈动脉包括的斑块对应的斑块区域图像和斑块拉直区域图像；特征提取模块，配置为分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作，得到斑块狭窄率预测数据；第二确定模块，配置为基于斑块狭窄率预测数据，确定斑块对应的斑块狭窄类别检测结果。

根据本申请实施例的第三方面，提供一种电子设备，包括：处理器；以及存储器，在存储器中存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述第一方面的颈动脉斑块狭窄类别检测方法。

根据本申请实施例的第四方面，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述第一方面的颈动脉斑块狭窄类别检测方法。

本申请实施例提供的颈动脉斑块狭窄类别检测方法，通过分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作的方式，实现有效利用斑块稀疏性特点，从而有效利用图像信息，提高特征提取的鲁棒性，进而实现提高斑块狭窄类别检测结果准确性的目的。此外，本申请实施例提供的方法，由于采用稀疏卷积特征提取操作，能够降低算力要求，从而降低对设备显存要求，进而实现降低硬件成本的目的。

附图说明

图1所示为本申请一实施例提供的动脉斑块狭窄类别检测方法的流程示意图。

图2所示为本申请一实施例提供的分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作，得到斑块狭窄率预测数据的流程示意图。

图3a所示为本申请一实施例提供的模型训练方法的流程示意图。

图3b所示为本申请一实施例提供的SpConvNet模型的残差模块的示意图。

图4所示为本申请一实施例提供的基于斑块狭窄率预测数据，确定斑块对应的斑块狭窄类别检测结果的流程示意图。

图5所示为本申请一实施例提供的动脉斑块狭窄类别检测装置的结构示意图。

图6所示为本申请一实施例提供的第一确定模块的结构示意图。

图7所示为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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，都属于本申请保护的范围。

颈动脉斑块狭窄类别是根据斑块狭窄率的进行分类的，斑块狭窄率越高，表明头颈堵塞越严重，当狭窄到一定程度，正常的血液循环会受影响，可能导致脑出血。因此，颈动脉斑块狭窄类别对于临床诊断具有重要意义。根据斑块狭窄率，斑块狭窄类别通常被分为5类，无狭窄、轻度狭窄、中度狭窄和重度狭窄以及闭塞。

目前临床上通常需要人工诊断颈动脉斑块狭窄类别，然而，人工诊断不仅费时费力，而且过于依赖临床医生的工作经验，不同医生的检测结果也具有较大差异性，也就是说，存在斑块狭窄类别检测结果不准确的问题。

为了解决上述问题，本申请实施例提供一种颈动脉斑块狭窄类别检测方法，通过分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作的方式，实现有效利用斑块稀疏性特点，从而有效利用图像信息，提高特征提取的鲁棒性，进而实现提高斑块狭窄类别检测结果准确性的目的。此外，本申请实施例提供的方法，由于采用稀疏卷积特征提取操作，能够降低算力要求，从而降低对设备显存要求，进而降低硬件成本的目的。

下面结合图1至图7详细介绍本申请实施例提及的动脉斑块狭窄类别检测方法及其装置、电子设备和计算机可读存储介质。

示例性动脉斑块狭窄类别检测方法

图1所示为本申请一实施例提供的动脉斑块狭窄类别检测方法的流程示意图。如图1所示，该动脉斑块狭窄类别检测方法包括如下步骤。

S101：基于头颈部CTA图像、头颈部CTA图像的血管类别分段数据、斑块分割数据和血管中线，确定头颈部CTA图像中的颈动脉包括的斑块对应的斑块区域图像和斑块拉直区域图像。

头颈部CTA图像指的是，拍摄的头颈部的电子计算机断层扫描血管造影(ComputedTomography Angiography，CTA)图像。

头颈部CTA图像的血管类别分段数据用于利用不同标记(比如，不同颜色)将不同类别的血管进行分段。例如，头颈部CTA图像中的血管包括颈动脉弓、颈部动脉和颅内动脉三大类，利用不同颜色将三大类血管分类。

示例性地，获得头颈部CTA图像的血管类别分段数据的具体实现方式为，将颈部CTA图像输入预先训练好的血管类别分段模型中，得到头颈部CTA图像的血管类别分段数据。

头颈部CTA图像的斑块分割数据用于将斑块与背景分割出来。示例性地，获得头颈部CTA图像的斑块分割数据的具体实现方式为，将头颈部CTA图像输入到预先训练好的斑块分割模型中，得到头颈部CTA图像的斑块分割数据。

在一些实施例中，基于头颈部CTA图像、头颈部CTA图像的血管类别分段数据、斑块分割数据和血管中线，确定头颈部CTA图像中的颈动脉包括的斑块对应的斑块区域图像和斑块拉直区域图像，可以被执行为，基于血管类别分段数据，确定颈动脉对应的第一边界框；基于第一边界框和预设余量值，确定颈动脉对应的第二边界框；利用第二边界框，在头颈部CTA图像、头颈部CTA图像的斑块分割数据和血管中线中截取颈动脉CTA图像、颈动脉斑块分割数据和颈动脉血管中线。基于颈动脉血管中线，对颈动脉CTA图像和颈动脉斑块分割数据进行拉直操作，得到拉直图像；基于颈动脉斑块分割数据中斑块连通域的位置信息，对拉直图像和颈动脉CTA图像进行重采样操作，得到斑块区域图像和斑块拉直区域图像。

具体而言，考虑到后续需要确定颈动脉血管中的斑块的块狭窄类别检测结果，因此，需要确定颈动脉所在区域，基于头颈部CTA图像的血管类别分段数据，计算颈动脉血管的最小外接框，将颈动脉血管的最小外接框作为颈动脉对应的第一边界框。为了避免边缘对于后续处理的影响，因此，需要预设余量值，以扩大第一边界框，比如，第一边界框的上下左右前后均外扩10个像素点，得到第二边界框。利用第二边界框，在头颈部CTA图像、头颈部CTA图像的斑块分割数据和血管中线中截取颈动脉CTA图像、颈动脉斑块分割数据和颈动脉血管中线。

在得到颈动脉CTA图像、颈动脉CTA图像的颈动脉斑块分割数据和所颈动脉血管中线之后，利用颈动脉血管中线，将颈动脉CTA图像和颈动脉斑块分割数据拉直，得到拉直图像，在拉直图像中，颈动脉血管被拉直，颈动脉血管上的每个斑块也被拉直(颈动脉上可以具有1个斑块或者多个斑块)。颈动脉CTA图像的颈动脉斑块分割数据，不仅能够表示出颈动脉上具有几个斑块，还能将每个斑块的具体位置表示出来。每个斑块在颈动脉CTA图像和拉直图像上是存在对应关系的，基于每个斑块的连通域的位置信息，能够正拉直图像和颈动脉CTA图像中确定与该连通域对应的区域。对拉直图像和颈动脉CTA图像中与该连通域对应的区域进行重采样操作，重采样到预设尺寸，得到每个斑块的斑块区域图像和所述斑块拉直区域图像。

具体地，上述提及的拉直操作指的是，曲面重建(curved planar reformation，CPR)，CPR常用来做血管的分析，因为血管结构非常扭曲，很难在CT上直观观察血管的整体状态，CPR可以将扭曲的血管进行拉直，展示在同一平面上，方便观察血管的内壁情况。

S102：分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作，得到斑块狭窄率预测数据。

具体而言，考虑到斑块沿血管生长的自然特点，天然存在稀疏的特性，因此对斑块区域图像进行稀疏卷积特征提取操作，能够有效地利用斑块稀疏性特点，从而提高特征提取的鲁棒性。此外，与对斑块拉直区域图像卷积特征提取操作相结合，有效地利用图像信息，实现提高斑块狭窄率预测数据的准确性的目的。

需要说明的是，在得到每个斑块的斑块区域图像和所述斑块拉直区域图像。对每个斑块的斑块区域图像和所述斑块拉直区域图像都要执行步骤S102。

示例性地，对斑块区域图像进行稀疏卷积特征提取操作的具体实现方式可以为，利用稀疏卷积网络(Sparse Convolution Network，SpConvNet)对斑块区域图像进行稀疏卷积特征提取操作。

对斑块拉直区域图像进行卷积特征提取操作的具体实现方式可以为，利用卷积网络(Convolution Network，ConvNet)对斑块拉直区域图像进行卷积特征提取操作。

S103：基于斑块狭窄率预测数据，确定斑块对应的斑块狭窄类别检测结果。

具体而言，在得到斑块狭窄率预测数据之后，需要对其进行后处理，从而获得更准确的斑块狭窄类别检测结果。

本申请实施例中，通过分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作的方式，实现有效利用斑块稀疏性特点，从而有效利用图像信息，提高特征提取的鲁棒性，进而实现提高斑块狭窄类别检测结果准确性的目的。此外，本申请实施例提供的方法，由于采用稀疏卷积特征提取操作，能够降低算力要求，从而降低对设备显存要求，进而实现降低硬件成本的目的。

下面结合图2详细说明分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作，得到斑块狭窄率预测数据的具体实现方式。

如图2所示，别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作，得到斑块狭窄率预测数据步骤，包括下列步骤。

S201：利用斑块狭窄率预测模型中的稀疏卷积特征提取分支，处理斑块区域图像，得到斑块区域图像对应的第一特征向量。

示例性地，斑块区域图像被输入斑块狭窄率预测模型中的稀疏卷积特征提取分支，利用SpConvNet对斑块区域图像进行稀疏卷积特征提取操作，得到斑块区域图像对应的第一特征向量。

S202：利用斑块狭窄率预测模型中与稀疏卷积特征提取分支并行的卷5积特征提取分支，处理斑块拉直区域图像，得到斑块拉直区域图像对应的第二特征向量。

示例性地，斑块拉直区域图像被输入斑块狭窄率预测模型中与稀疏卷积特征提取分支并行的卷积特征提取分支，利用ConvNet对斑块拉直区域图像进行卷积特征提取操作，得到斑块拉直区域图像对应的第二特征向量。

0S203：合并第一特征向量和第二特征向量，得到斑块狭窄率预测数据。

具体地，合并包括融合等操作。

在一些实施例中，上述步骤S201至S203可借助预先训练好的斑块狭窄率预测模型执行。

具体地，斑块狭窄率预测模型包括并行的稀疏卷积特征提取分支和卷积5特征提取分支，稀疏卷积特征提取分支上为SpConvNet模型，积特征提取分支为ConvNet模型。斑块区域图像被输入到稀疏卷积特征提取分支进行稀疏卷积特征提取操作，并且斑块拉直区域图像被输入到卷积特征提取分支进行卷积特征提取操作，得到斑块区域图像对应的第一特征向量和斑块拉直区域

图像对应的第二特征向量，斑块狭窄率预测模型对第一特征向量和第二特征0向量进行融合合并，并结合直径法或者面积法(直径法或面积法计算斑块狭

窄率是通常得到斑块狭窄率的方法)，得到斑块的斑块狭窄率预测数据。

本申请实施例中能够借助斑块狭窄率预测模型准确得到斑块的斑块狭窄率预测数据，与相关技术中需要依靠人工识别相比，不仅流程简单，复杂

程度低，省时省力，而且有效地利用图像信息，提高斑块狭窄率预测数据的5准确性。此外，无需过度依赖个人经验，降低斑块狭窄率预测数据由于人工导致的差异性，从而进一步提高斑块狭窄率预测数据的准确性。

示例性地，上述提及的斑块狭窄率预测模型，是通过训练初始神经网络模型而得到的。

下面结合图3a和3b详细介绍本申请实施例提及的模型训练方法。如图3a所示，本申请实施例提供的模型训练方法包括如下步骤。

S301：基于头颈部CTA图像样本、头颈部CTA图像样本的血管类别分段数据、斑块分割数据和血管中线，确定头颈部CTA图像样本中的颈动脉包括的斑块对应的斑块区域图像样本和斑块拉直区域图像样本，并确定斑块对应的斑块狭窄率标记数据。

具体而言，斑块对应的斑块狭窄率标记数据用于表征该板块的斑块狭窄率。示例性地，斑块狭窄率标记数据确定方式可以利用直径法或者面积法确定。

基于头颈部CTA图像样本、头颈部CTA图像样本的血管类别分段数据、斑块分割数据和血管中线，确定头颈部CTA图像样本中的颈动脉包括的斑块对应的斑块区域图像样本和斑块拉直区域图像样本的具体实现方式与上述步骤S101类似，此处不再赘述。

示例性地，为了提高斑块狭窄率预测模型的泛化能力，在步骤S301之前，还需要对颈部CTA图像样本进行数据增强操作。数据增强操作包括以下操作中的至少一种，随机剪裁、随机旋转和随机亮度。

S302：将斑块区域图像样本和斑块拉直区域图像样本输入到初始神经网络模型，得到斑块狭窄率预测数据。

具体而言，初始神经网络模型包括两个并行分支，稀疏卷积特征提取分支和卷积特征提取分支，稀疏卷积特征提取分支上为SpConvNet模型，积特征提取分支为ConvNet模型，将斑块区域图像样本和斑块拉直区域图像样本输入到初始神经网络模型，利用ConvNet模型对斑块区域图像样本进行稀疏卷积特征提取操作，得到斑块区域图像样本对应的第三特征向量，利用ConvNet模型对斑块拉直区域图像样本进行卷积特征提取操作，得到斑块拉直区域图像样本对应的第四特征向量，初始神经网络模型对第三特征向量和第四特征向量进行融合合并，并结合直径法或者面积法，得到斑块的斑块狭窄率预测数据。

在一个进一步实施例中，图3b所示为本申请一实施例提供的SpConvNet5模型的残差模块的示意图。结合图3b所示，为防止或缓解模型过拟合，在SpConvNet模型中每个残差模块(res模块)中的跳跃层(skip层)和concat层中添加丢弃模块(dropblock)。该dropblock采用丢弃概率为0.7，核大小为7的参数，卷积层随机以0.7的概率丢弃该特征层中的核为7的block块，

原残差块和添加dropblock之后的残差块相比，能够缓解模型过拟合问题。0可选地，dropblock可在样本较少的时候选择性使用。

S303：基于斑块狭窄率预测数据、斑块狭窄率标记数据，确定损失函数值，以调整初始神经网络模型的参数，得到斑块狭窄率预测模型。

具体而言，通过得到的损失函数值调整初始神经网络模型的参数，直到得到的损失函数值满足预设条件，则得到动作识别模型。

5进一步地，为了保证正负样本的平衡性，将斑块区域图像样本确定为负样本，将斑块对应的斑块狭窄率标记数据确定为正样本，采用相对熵损失函数(Kullback-Leiblerdivergence，KLDivLoss)对初始神经网络模型进行训练。

本申请实施例中，利用SpConvNet和ConvNet两条支路进行特征提取，0以提高特征提取的鲁棒性，从而使模型向预测更准确且更减少内存的方向优化。

具体而言，考虑到斑块是一个区域，为了得到最准确的斑块狭窄类别检测结果，需要对每个斑块对应的斑块狭窄率预测数据进行后处理。下面结合

图4详细说明基于斑块狭窄率预测数据，确定斑块对应的斑块狭窄类别检测5结果(即后处理过程)的具体实现方式。

如图4所示，基于斑块狭窄率预测数据，确定斑块对应的斑块狭窄类别检测结果步骤，包括下列步骤。

S401：对斑块进行滑窗采样操作。

S402：基于斑块狭窄率预测数据，确定在滑窗采样操作中各个窗口对应的窗口斑块狭窄率预测值。

示例性地，针对每个窗口，确定窗口的中心点坐标，将位于中心点坐标上的斑块狭窄率预测数据，作为窗口对应的窗口斑块狭窄率预测值。

具体地，在滑动滑窗窗口时，将位于中心点坐标上的斑块狭窄率预测数据，作为窗口对应的窗口斑块狭窄率预测值。

S403：将最大的窗口斑块狭窄率预测值，确定为斑块对应的斑块狭窄率预测值。

具体而言，考虑到斑块是一个区域，滑窗滑动过程中窗口对应的窗口斑块狭窄率预测值是不同的，选取最大的窗口斑块狭窄率预测值确定为斑块对应的斑块狭窄率预测值，也就是将当前斑块最拥挤区域，作为斑块对应的斑块狭窄率预测值，有利于医生掌握斑块的最差情况，以提早进行干预与后续治疗。

S404：基于斑块狭窄率预测值与斑块狭窄类别的预设关系，确定斑块狭窄类别检测结果。

具体而言，斑块狭窄率预测值与5类斑块狭窄类别的映射关系提前预设，比如，无狭窄(0％)、轻度狭窄(1-30％)、中度狭窄(31-70％)和重度狭窄(71-90％)以及闭塞(91-100％)。基于斑块狭窄率预测值与斑块狭窄类别的预设关系，确定斑块狭窄类别检测结果

本申请实施例中，通过上述方式对每个斑块对应的斑块狭窄率预测数据进行后处理，从而实现得到最准确的斑块狭窄类别检测结果的目的。

上文结合图2至图4，详细描述了本公开的方法实施例，下面结合图5和图6，详细描述本公开的装置实施例。此外，应理解，方法实施例的描述与装置实施例的描述相互对应，因此，未详细描述的部分可以参见前面方法实施例。

示例性动脉斑块狭窄类别检测装置

图5所示为本公开一实施例提供的颈动脉斑块狭窄类别检测装置的结构示意图。如图5所示，本公开实施例提供的颈动脉斑块狭窄类别检测装置500包括第一确定模块510、特征提取模块520和第二确定模块530。

在本公开实施例中，第一确定模块510被配置为，基于头颈部CTA图像、头颈部CTA图像的血管类别分段数据、斑块分割数据和血管中线，确定头颈部CTA图像中的颈动脉包括的斑块对应的斑块区域图像和斑块拉直区域图像。特征提取模块520被配置为，分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作，得到斑块狭窄率预测数据。第二确定模块530被配置为，基于斑块狭窄率预测数据，确定斑块对应的斑块狭窄类别检测结果。

本申请实施例中，通过分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作的方式，实现有效利用斑块稀疏性特点，从而有效利用图像信息，提高特征提取的鲁棒性，进而实现提高斑块狭窄类别检测结果准确性的目的。此外，本申请实施例提供的方法，由于采用稀疏卷积特征提取操作，能够降低算力要求，从而降低对设备显存要求，进而实现降低硬件成本的目的。

在一些实施例中，特征提取模块520进一步被配置为，分别对斑块区域图像和斑块拉直区域图像进行稀疏卷积特征提取操作和卷积特征提取操作，得到斑块狭窄率预测数据，包括：利用斑块狭窄率预测模型中的稀疏卷积特征提取分支，处理斑块区域图像，得到斑块区域图像对应的第一特征向量；利用斑块狭窄率预测模型中与稀疏卷积特征提取分支并行的卷积特征提取分支，处理斑块拉直区域图像，得到斑块拉直区域图像对应的第二特征向量；合并第一特征向量和第二特征向量，得到斑块狭窄率预测数据。

图6所示为本公开一实施例提供的第一确定模块的结构示意图。如图5所示，第一确定模块510进一步包括第一确定单元610和第二确定单元620。

在一个实施例中，第一确定单元610被配置为，基于血管类别分段数据，在头颈部CTA图像、头颈部CTA图像的斑块分割数据和血管中线中确定颈动脉CTA图像、颈动脉斑块分割数据和颈动脉血管中线；第二确定单元620被配置为，基于颈动脉CTA图像、颈动脉斑块分割数据和颈动脉血管中线，确定颈动脉包括的斑块对应的斑块区域图像和斑块拉直区域图像。

在一个实施例中，第一确定单元610进一步被配置为，基于血管类别分段数据，确定颈动脉对应的第一边界框；基于第一边界框和预设余量值，确定颈动脉对应的第二边界框；利用第二边界框，在头颈部CTA图像、头颈部CTA图像的斑块分割数据和血管中线中截取颈动脉CTA图像、颈动脉斑块分割数据和颈动脉血管中线。

在一个实施例中，第二确定单元620进一步被配置为，基于颈动脉血管中线，对颈动脉CTA图像和颈动脉斑块分割数据进行拉直操作，得到拉直图像；基于颈动脉斑块分割数据中斑块连通域的位置信息，对拉直图像和颈动脉CTA图像进行重采样操作，得到斑块区域图像和斑块拉直区域图像。

在一个实施例中，第二确定模块530进一步被配置为，对斑块进行滑窗采样操作；基于斑块狭窄率预测数据，确定在滑窗采样操作中各个窗口对应的窗口斑块狭窄率预测值；将最大的窗口斑块狭窄率预测值，确定为斑块对应的斑块狭窄率预测值；基于斑块狭窄率预测值与斑块狭窄类别的预设关系，确定斑块狭窄类别检测结果。

在一个实施例中，第二确定模块530进一步被配置为，针对每个窗口，确定窗口的中心点坐标；将位于中心点坐标上的斑块狭窄率预测数据，作为窗口对应的窗口斑块狭窄率预测值。

示例性电子设备和计算机可读存储介质

图7所示为本公开一实施例提供的电子设备的结构示意图。图7所示的电子设备700(该电子设备700具体可以是一种计算机设备)包括存储器701、处理器702、通信接口703以及总线704。其中，存储器701、处理器702、通信接口703通过总线704实现彼此之间的通信连接。

存储器701可以是只读存储器(Read Only Memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(Random Access Memory，RAM)。存储器701可以存储程序，当存储器701中存储的程序被处理器702执行时，处理器702和通信接口703用于执行本公开实施例的颈动脉斑块狭窄类别检测方法的各个步骤。

处理器702可以采用通用的中央处理器(Central Processing Unit，CPU)，微处理器，应用专用集成电路(Application Specific Integrated Circuit，ASIC)，图形处理器(Graphics Processing Unit，GPU)或者一个或多个集成电路，用于执行相关程序，以实现本公开实施例的颈动脉斑块狭窄类别检测方法装置中的单元所需执行的功能。

处理器702还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本公开的颈动脉斑块狭窄类别检测方法的各个步骤可以通过处理器702中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器702还可以是通用处理器、数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。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。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701，处理器702读取存储器701中的信息，结合其硬件完成本公开实施例的颈动脉斑块狭窄类别检测方法装置中包括的单元所需执行的功能，或者执行本公开方法实施例的颈动脉斑块狭窄类别检测方法。

通信接口703使用例如但不限于收发器一类的收发装置，来实现电子设备700与其他设备或通信网络之间的通信。

总线704可包括在电子设备700各个部件(例如，存储器701、处理器702、通信接口703)之间传送信息的通路。

应注意，尽管图7所示的电子设备700仅仅示出了存储器、处理器、通信接口，但是在具体实现过程中，本领域的技术人员应当理解，电子设备700还包括实现正常运行所必需的其他器件。同时，根据具体需要，本领域的技术人员应当理解，电子设备700还可包括实现其他附加功能的硬件器件。此外，本领域的技术人员应当理解，电子设备700也可仅仅包括实现本公开实施例所必需的器件，而不必包括图7中所示的全部器件。

除了上述方法、装置和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本公开各个实施例提供的颈动脉斑块狭窄类别检测方法的各个步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的步骤式程序设计语言，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本公开的实施例还可以是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在被处理器运行时使得所述处理器执行本公开各个实施例提供的颈动脉斑块狭窄类别检测方法的各个步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个相似区域分割单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。