1.本技术涉及一种大血管闭塞识别模型的建立方案，具体而言，为一种基于多期cta的大血管闭塞识别模型的建立方法、装置、终端及存储介质，属于人工智能与医学分析交叉技术领域。
背景技术：2.急性缺血性中风(acute ischemic stroke,ais)是由脑动脉血栓或栓塞闭塞引起的，大脑近端动脉阻塞导致深度缺血，导致细胞能量学崩溃，随后几分钟内出现细胞死亡。梗死核心被局部缺血半暗带包围，神经元将在数小时内死亡。准确识别这种“有风险的组织”可使患者从治疗中获益。在大面积缺血性中风案例中，损伤程度将在接下来的几天增加。在极端情况下，肿块效应加上组织损伤会导致颅内压升高和脑血循环丧失。
3.大血管闭塞(large vessel occlusion,lvo)中风是医学中对时间最敏感的诊断之一，血管内治疗的治疗效果与时间密切相关。打开栓塞动脉可以恢复组织的血流。急性脑梗塞治疗的基本目标是通过快速、永久性地再通阻塞的动脉来限制梗塞的范围。
4.诊断ais的主要成像方法是ct平扫(non-contrast computed tomography,ncct)，ct灌注成像(ct perfusion,ctp)和ct血管造影(computed tomography angiography,cta)。基于ct的方法的优点是，在紧急情况下，比mri更快速、更广泛。
5.ncct对出血性病变高度敏感，ncct的关键作用也是检测已确定的缺血性病变的缺血性体征。ncct的主要发现是血管区域内的皮质下低衰减区。然而，ncct在最初24小时内的敏感性相对较低，尤其是在溶栓治疗的有限时间窗内。
6.急性梗死的范围通常通过ct灌注参数(平均通过时间、脑血容量和脑血流量)来估计。在ctp中，急性脑卒中患者的脑血流量和脑容量发生改变。然而，许多探测器扫描仪对大脑ctp的覆盖范围仍然有限，这通常被认为是ctp的一个缺点。更新的256层扫描仪可以提供全脑覆盖，在未来几年内，这种覆盖很可能会被广泛使用。例如，与cta相比，ctp意味着相对较高的辐射暴露、较粗的分辨率和较厚的切片。
7.使用cta可以显示主动脉弓、颈动脉和脑动脉的解剖结构，以及颈动脉或脑动脉狭窄或血栓的存在。在ct技术中，cta具有多种优势，在检测早期不可逆性缺血方面，它比ncct具有高度的特异性和敏感性。此外，它还提供了评估整个脑血管系统的可能性，而这在ct灌注中是不可用的。
8.cta中的闭塞部位由负责读取医学图像的放射科医师确定，所以放射学lvo检测和治疗受到可变延迟和人类专业知识的影响，由于半影组织可以以10.1ml/小时的速度转化为梗塞，如果潜在的lvo病例如果没有事先被诊断出来，则可能会增加患者从开始接受基线成像与机械取栓术之间的时间窗口。因此必须尽快检测出lvo，以降低ais患者神经功能丧失的风险，从而降低发病率。
9.综上所述，如何在上述现有技术的基础上，提出一种基于多期cta的大血管闭塞识别模型的建立方案，也就成为了本领域内技术人员所共同关注的问题。
技术实现要素：10.鉴于现有技术存在上述缺陷，本技术的目的是提出一种大血管闭塞识别模型的建立方法、装置、终端及存储介质，具体如下。
11.第一方面，一种大血管闭塞识别模型的建立方法，包括如下步骤：
12.获取大脑的标准ct图像并进行血管造影，分别得到多个阶段的血管造影图像集；
13.对多个阶段的血管造影图像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影图像集进行血管分割处理，生成得到多个阶段的二维最大强度投影图像；
14.依据多个阶段的二维最大强度投影图像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型；
15.对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型。
16.优选地，所述获取大脑的标准ct图像并进行血管造影，分别得到多个阶段的血管造影图像集，包括如下步骤：
17.获取大脑的标准ct图像；
18.依据所述标准ct图像进行血管造影，分别汇总得到第一阶段血管造影图像集、第二阶段血管造影图像集以及第三阶段血管造影图像集，其中，所述第一阶段血管造影图像集是在动脉高峰期从主动脉弓到顶点采集所得，所述第二阶段血管造影图像集是在峰值静脉期从颅底到顶点采集所得，所述第三阶段血管造影图像集是在晚期静脉期从颅底到顶点采集所得。
19.优选地，对多个阶段的血管造影图像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影图像集进行血管分割处理，生成得到多个阶段的二维最大强度投影图像，包括如下步骤：
20.将多个阶段的血管造影图像集从医学数字成像格式转化为数组格式，并执行归一化处理，得到对应的预处理血管造影图像集；
21.采用血管分割算法对多个阶段的所述预处理血管造影图像集进行图像分割处理；
22.对经过图像分割处理后的所述预处理血管造影图像集进行最大强度投影生成，分别得到第一阶段二维最大强度投影图像、第二阶段二维最大强度投影图像以及第三阶段二维最大强度投影图像。
23.优选地，所述将多个阶段的血管造影图像集从医学数字成像格式转化为数组格式，并执行归一化处理，得到对应的预处理血管造影图像集，包括如下步骤：
24.分别将所述第一阶段血管造影图像集、所述第二阶段血管造影图像集以及所述第三阶段血管造影图像集三者从医学数字成像和通信格式转换为numpy数组格式，并执行各向同性采样以将每个体素标准化为1mm3的体积，每个轴向的血管造影图像均都被调整至500
×
500像素、转换为灰度并归一化为0到1之间的值，分别得到第一阶段预处理血管造影图像集、第二阶段预处理血管造影图像集以及第三阶段预处理血管造影图像集。
25.优选地，所述依据多个阶段的二维最大强度投影图像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型，包括如下步骤：
26.依据所述第一阶段二维最大强度投影图像、所述第二阶段二维最大强度投影图像
以及所述第三阶段二维最大强度投影图像，按排列组合创建得到全部七组模型训练集；
27.使用全部七组所述模型训练集逐一进行深度学习模型训练，所述深度学习模型的输出共有两个输出类，分别得到七组所述模型训练集对应的七个深度学习模型。
28.优选地，所述对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型，包括如下步骤：
29.使用统计软件在验证集和测试集上对七个所述深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型，所述大血管闭塞识别模型的输出形式为诊断结果为正及诊断结果为负。
30.第二方面，一种大血管闭塞识别模型的建立装置，包括如下模块：
31.数据采集模块，被配置为获取大脑的标准ct图像并进行血管造影，分别得到多个阶段的血管造影图像集；
32.数据预处理与血管分割模块，被配置为对多个阶段的血管造影图像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影图像集进行血管分割处理，生成得到多个阶段的二维最大强度投影图像；
33.训练集创建及模型训练模块，被配置为依据多个阶段的二维最大强度投影图像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型；
34.模型选择与输出模块，被配置为对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型。
35.第三方面，一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前文中所述的大血管闭塞识别模型的建立方法中的步骤。
36.第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行所述计算机程序时实现如前文中所述的大血管闭塞识别模型的建立方法中的步骤。
37.本技术的优点主要体现在以下几个方面：
38.本技术所提出的一种基于多期cta的大血管闭塞识别模型的建立方法，在ais患者检查中可以准确检测到lvo。本技术的方法选用卷积神经网络的深度学习模型作为基础模型，可以有效地可以对cta图像上的lvo进行分类，且该模型有三个阶段，通过使用不同阶段的组合，大幅提高了lvo的诊断检出率。本技术的方法不仅优化了放射科医生检测lvo的工作流程，同时也能筛选出符合血栓切除术条件的患者，满足了医患双方的实际需求。
39.与上述方法相对应的，本技术所提出的一种大血管闭塞识别模型的建立装置、终端及存储介质，以系统化、标准化的处理流程实现了对大血管闭塞的有效识别，进而为后续的手术或医疗流程提供了技术支持，硬件方案的适配性和兼容性较高，能够切实地应用于实际的医疗场景中。
40.以下便结合实施例附图，对本技术的具体实施方式作进一步的详述，以使本技术技术方案更易于理解、掌握。
附图说明
41.构成本技术的一部分的附图用来提供对本技术的进一步理解，使得本技术的其它特征、目的和优点变得更明显。本技术的示意性实施例附图及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
42.图1是本技术实施例中大血管闭塞识别模型的建立方法的大致流程示意图；
43.图2是本技术实施例中大血管闭塞识别模型的建立方法的操作实例流程示意图；
44.图3是本技术实施例中操作实例的图像重要区域定位图；
45.图4是本技术实施例中操作实例的闭塞部位预测图；
46.图5是本技术实施例中操作实例的假阳性发现预测图；
47.图6是本技术实施例中大血管闭塞识别模型的建立装置的架构示意图。
具体实施方式
48.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
49.本技术提出了一种基于多期cta的大血管闭塞识别模型的建立方案，所建立的大血管闭塞识别模型在ais患者检查中可以准确检测到lvo，且可以对cta图像上的lvo进行分类，且该模型有三个阶段，通过使用不同阶段的组合，提高了lvo的诊断检出率。具体方案如下。
50.如图1、图2所示，一种大血管闭塞识别模型的建立方法，包括如下步骤：
51.s1、获取大脑的标准ct图像并进行血管造影，分别得到多个阶段的血管造影图像集；这一步骤可具体化为如下流程。
52.s11、由于ct血管造影检查是在多个医院使用多台不同的ct扫描仪进行的，因此不同患者的准确扫描参数略有不同，方法的实现首先需要获取大脑的标准ct图像。
53.s12、依据所述标准ct图像进行血管造影，分别汇总得到第一阶段血管造影图像集、第二阶段血管造影图像集以及第三阶段血管造影图像集，其中，所述第一阶段血管造影图像集是在动脉高峰期从主动脉弓到顶点采集所得，所述第二阶段血管造影图像集是在峰值静脉期从颅底到顶点采集所得，所述第三阶段血管造影图像集是在晚期静脉期从颅底到顶点采集所得。
54.标准ct血管造影流程包括0.625mm-1mm层厚图像采集，将其重建为24mm层厚和4mm间距的最大强度预测。
55.s2、对多个阶段的血管造影图像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影图像集进行血管分割处理，生成得到多个阶段的二维最大强度投影图像；这一步骤可具体化为如下流程。
56.s21、将多个阶段的血管造影图像集从医学数字成像格式转化为数组格式，并执行归一化处理，得到对应的预处理血管造影图像集。
57.进一步地，这一步骤中需要分别将所述第一阶段血管造影图像集、所述第二阶段血管造影图像集以及所述第三阶段血管造影图像集三者从医学数字成像和通信格式转换为numpy数组格式，并执行各向同性采样以将每个体素标准化为1mm3的体积，每个轴向的血管造影图像均都被调整至500
×
500像素、转换为灰度并归一化为0到1之间的值，分别得到
第一阶段预处理血管造影图像集、第二阶段预处理血管造影图像集以及第三阶段预处理血管造影图像集。
58.s22、采用血管分割算法对多个阶段的所述预处理血管造影图像集进行图像分割处理。
59.鉴于本实施例中用于深度学习应用的数据集相对较小，此处采用血管分割算法将颅内脉管系统(即信号)从潜在的非脉管系统结构(如脑实质和颅骨(即噪声))中分割出来，从而提高信噪比。血管分割工作流程是将中心像素强度与其周围像素邻域进行比较。如果像素强度大于周围像素的50％，则假定该像素属于血管。外加执行了连接组件、阈值和sobel过滤器的附加处理。一般而言，每次执行cta，此分割过程大约需要40秒。
60.s23、对经过图像分割处理后的所述预处理血管造影图像集进行最大强度投影生成，分别得到第一阶段二维最大强度投影图像、第二阶段二维最大强度投影图像以及第三阶段二维最大强度投影图像。
61.在本实施例中，创建了一个算法选择出每次多期ct血管造影检查的40个颅骨轴向图像，从头骨顶点延伸到willis环，以包括所有相关的颅内血管系统。最后的预处理步骤包括沿这40个切片的轴向平面生成最大强度投影，从而生成最终的二维最大强度投影图像，以用于模型训练，具体可参照图3。
62.在图3中，a表示动脉(1期)图像显示右侧大脑中动脉m1远端分支突然闭塞(箭头)，远端血管缺乏。b表示静脉(2期)图像显示对侧左半球轻微不对称，血管轻度增加。c表示晚期静脉(3期)图像明显阻塞下游的同侧右半球血管系统不透明。d表示热图显示出最具分辨力的区域(红色)用于正确预测的模型。
63.s3、依据多个阶段的二维最大强度投影图像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型；这一步骤可具体化为如下流程。
64.s31、依据所述第一阶段二维最大强度投影图像、所述第二阶段二维最大强度投影图像以及所述第三阶段二维最大强度投影图像，按排列组合创建得到全部七组模型训练集。
65.在本实施例中，为了实现最高精度，测试了densenet-121架构，使用imagenet中的预训练权重启动模型。所有模型都是使用python中的keras工具包构建的，其学习率为0.00001，收敛前的epoch数为10，批量大小为3。
66.全部七组所述模型训练集具体如下。
67.第一模型训练集，包括所述第一阶段二维最大强度投影图像；
68.第二模型训练集，包括所述第二阶段二维最大强度投影图像；
69.第三模型训练集，包括所述第三阶段二维最大强度投影图像；
70.第四模型训练集，包括所述第一阶段二维最大强度投影图像和所述第二阶段二维最大强度投影图像；
71.第五模型训练集，包括所述第二阶段二维最大强度投影图像和所述第三阶段二维最大强度投影图像；
72.第六模型训练集，包括所述第一阶段二维最大强度投影图像和所述第三阶段二维最大强度投影图像；
73.第七模型训练集，包括所述第一阶段二维最大强度投影图像、所述第二阶段二维最大强度投影图像以及所述第三阶段二维最大强度投影图像。
74.s32、使用全部七组所述模型训练集逐一进行深度学习模型训练，所述深度学习模型的输出共有两个输出类，分别得到七组所述模型训练集对应的七个深度学习模型。
75.为了帮助查看模型的类别区分，本技术实施例中还使用梯度加权类别激活映射(grad-cam)方法来生成图像中最重要区域的定位图。这些梯度加权类激活映射方法的示例如图4和图5所示。
76.在图4中，首行显示了一个代表性的ct切片延迟静脉期ct血管造影。中间一行显示预处理的最大强度投影图像，作为模型的输入。底部行是覆盖的热图，红色区域显示最具分辨力的区域。这些热点区域与闭塞位置相关。(分别:左[l]m2,l m1，右[r]m2，基底部)。
[0077]
在图5中，a表示轴向动脉期ct血管造影；b表示轴向静脉期ct血管造影，a和b的图像显示没有大血管闭塞的证据。额外的非对比增强脑ct图像(未显示)未显示急性梗塞的证据。c表示就诊后6小时进行的弥散加权mri显示与左侧旁正中脑桥急性梗塞一致的弥散受限区域(箭头)。d表示热图叠加显示投射在中央大脑上的焦点活动。
[0078]
s4、对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型；这一步骤可具体化为如下流程。
[0079]
使用统计软件(sas，版本9.4；sas，cary，nc)在验证集和测试集上对七个所述深度学习模型进行诊断性能评估，其结果是当额外的延迟阶段与第一阶段(即第一、三阶段以及第一、二、三阶段)相结合时，存在相加效应，导致模型性能优于单期ct血管造影，这表明初始相位延迟和延迟增强很重要。选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型，所述大血管闭塞识别模型的输出形式为诊断结果为正及诊断结果为负。
[0080]
综上所述，上述方法具有如下优点及有益效果：
[0081]
1、普适，方法所建立的模型在患者人口统计、多个机构和扫描仪之间具有区分性，且未排除额外的头颈部血管病变，故本发明的预测模型群体具有异质性，这种异质性说明预测结果可以普遍应用于临床环境；
[0082]
2、高效，方法所建立的模型是一种深度学习卷积神经网络，用于在多期cta中检测大血管闭塞，在接收器操作特征曲线下具有高面积，特别是在使用延迟相位时。检测到前循环和后循环闭塞，我们的工作是在紧急情况下将深度学习纳入大血管闭塞(lvo)分类的重要第一步，并缩短lvo检测时间，表明它可以作为放射科医生和临床医生在紧急情况下优先审查潜在lvo患者的工具并成为检测所有适合机械血栓切除术的潜在lvo亚型的强大工具；
[0083]
3、准确，实施例中的数据集包括多期cta图像，我们能够通过三个独立的时间分辨数据点来研究延迟cta在我们的模型性能中的作用。多期cta已被证明可以清晰准确地描绘lvo，同时对正常半球和lvo半球的颅内软脑膜侧支网络提供更细致的评估；
[0084]
4、高研发潜力，在方法所建立的模型中，分类器以接近100％的概率分数预测它对lvo是正的，尽管在cta中没有发现lvo的证据，但大约6小时后，患者随后的mri显示左侧旁正中脑桥有一个小的急性缺血性梗死，如图5所示，这直接表明了模型能够检测到放射科医生在cta中无法发觉的较小的脉管系统梗塞的可能性。
[0085]
另一方面，如图6所示，本技术还涉及一种大血管闭塞识别模型的建立装置，包括如下模块：
[0086]
数据采集模块，被配置为获取大脑的标准ct图像并进行血管造影，分别得到多个阶段的血管造影图像集；
[0087]
数据预处理与血管分割模块，被配置为对多个阶段的血管造影图像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影图像集进行血管分割处理，生成得到多个阶段的二维最大强度投影图像；
[0088]
训练集创建及模型训练模块，被配置为依据多个阶段的二维最大强度投影图像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型；
[0089]
模型选择与输出模块，被配置为对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型。
[0090]
在一种可能的实现方式中，所述数据采集模块包括：
[0091]
第一数据采集单元，被配置为获取大脑的标准ct图像；
[0092]
第二数据采集单元，被配置为依据所述标准ct图像进行血管造影，分别汇总得到第一阶段血管造影图像集、第二阶段血管造影图像集以及第三阶段血管造影图像集，其中，所述第一阶段血管造影图像集是在动脉高峰期从主动脉弓到顶点采集所得，所述第二阶段血管造影图像集是在峰值静脉期从颅底到顶点采集所得，所述第三阶段血管造影图像集是在晚期静脉期从颅底到顶点采集所得。
[0093]
在一种可能的实现方式中，所述数据预处理与血管分割模块包括：
[0094]
数据预处理单元，被配置为将多个阶段的血管造影图像集从医学数字成像格式转化为数组格式，并执行归一化处理，得到对应的预处理血管造影图像集；
[0095]
第一血管分割单元，被配置为采用血管分割算法对多个阶段的所述预处理血管造影图像集进行图像分割处理；
[0096]
第二血管分割单元，被配置为对经过图像分割处理后的所述预处理血管造影图像集进行最大强度投影生成，分别得到第一阶段二维最大强度投影图像、第二阶段二维最大强度投影图像以及第三阶段二维最大强度投影图像。
[0097]
在一种可能的实现方式中，所述训练集创建及模型训练模块包括：
[0098]
训练集创建单元，被配置为依据所述第一阶段二维最大强度投影图像、所述第二阶段二维最大强度投影图像以及所述第三阶段二维最大强度投影图像，按排列组合创建得到全部七组模型训练集；
[0099]
模型训练单元，被配置为使用全部七组所述模型训练集逐一进行深度学习模型训练，所述深度学习模型的输出共有两个输出类，分别得到七组所述模型训练集对应的七个深度学习模型。
[0100]
在一种可能的实现方式中，所述模型选择与输出模块包括：
[0101]
模型选择与输出单元，被配置为使用统计软件在验证集和测试集上对七个所述深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型，所述大血管闭塞识别模型的输出形式为诊断结果为正及诊断结果为负。
[0102]
又一方面，本技术还涉及一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前文所述的商品智能识别方法中的步骤，例如图1所示的步骤。或者，处理器执行计算机程序时实
现上述各装置实施例中各模块/单元的功能，例如图6所示的各模块/单元的功能。
[0103]
再一方面，本技术还涉及一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行所述计算机程序时实现如前文所述的商品智能识别方法中的步骤。
[0104]
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(application specific 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。
[0105]
与上述方法相对应的，本技术所提出的一种大血管闭塞识别模型的建立装置、终端及存储介质，以系统化、标准化的处理流程实现了对大血管闭塞的有效识别，进而为后续的手术或医疗流程提供了技术支持，硬件方案的适配性和兼容性较高，能够切实地应用于实际的医疗场景中。
[0106]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神和基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。
[0107]
最后，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
技术特征：1.一种大血管闭塞识别模型的建立方法，其特征在于，包括如下步骤：获取大脑的标准ct图像并进行血管造影，分别得到多个阶段的血管造影图像集；对多个阶段的血管造影图像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影图像集进行血管分割处理，生成得到多个阶段的二维最大强度投影图像；依据多个阶段的二维最大强度投影图像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型；对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型。2.根据权利要求1所述的大血管闭塞识别模型的建立方法，其特征在于，所述获取大脑的标准ct图像并进行血管造影，分别得到多个阶段的血管造影图像集，包括如下步骤：获取大脑的标准ct图像；依据所述标准ct图像进行血管造影，分别汇总得到第一阶段血管造影图像集、第二阶段血管造影图像集以及第三阶段血管造影图像集，其中，所述第一阶段血管造影图像集是在动脉高峰期从主动脉弓到顶点采集所得，所述第二阶段血管造影图像集是在峰值静脉期从颅底到顶点采集所得，所述第三阶段血管造影图像集是在晚期静脉期从颅底到顶点采集所得。3.根据权利要求2所述的大血管闭塞识别模型的建立方法，其特征在于，对多个阶段的血管造影图像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影图像集进行血管分割处理，生成得到多个阶段的二维最大强度投影图像，包括如下步骤：将多个阶段的血管造影图像集从医学数字成像格式转化为数组格式，并执行归一化处理，得到对应的预处理血管造影图像集；采用血管分割算法对多个阶段的所述预处理血管造影图像集进行图像分割处理；对经过图像分割处理后的所述预处理血管造影图像集进行最大强度投影生成，分别得到第一阶段二维最大强度投影图像、第二阶段二维最大强度投影图像以及第三阶段二维最大强度投影图像。4.根据权利要求3所述的大血管闭塞识别模型的建立方法，其特征在于，所述将多个阶段的血管造影图像集从医学数字成像格式转化为数组格式，并执行归一化处理，得到对应的预处理血管造影图像集，包括如下步骤：分别将所述第一阶段血管造影图像集、所述第二阶段血管造影图像集以及所述第三阶段血管造影图像集三者从医学数字成像和通信格式转换为numpy数组格式，并执行各向同性采样以将每个体素标准化为1mm3的体积，每个轴向的血管造影图像均都被调整至500
×
500像素、转换为灰度并归一化为0到1之间的值，分别得到第一阶段预处理血管造影图像集、第二阶段预处理血管造影图像集以及第三阶段预处理血管造影图像集。5.根据权利要求3所述的大血管闭塞识别模型的建立方法，其特征在于，所述依据多个阶段的二维最大强度投影图像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型，包括如下步骤：依据所述第一阶段二维最大强度投影图像、所述第二阶段二维最大强度投影图像以及所述第三阶段二维最大强度投影图像，按排列组合创建得到全部七组模型训练集；使用全部七组所述模型训练集逐一进行深度学习模型训练，所述深度学习模型的输出
共有两个输出类，分别得到七组所述模型训练集对应的七个深度学习模型。6.根据权利要求5所述的大血管闭塞识别模型的建立方法，其特征在于，所述对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型，包括如下步骤：使用统计软件在验证集和测试集上对七个所述深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型，所述大血管闭塞识别模型的输出形式为诊断结果为正及诊断结果为负。7.一种大血管闭塞识别模型的建立装置，其特征在于，包括如下模块：数据采集模块，被配置为获取大脑的标准ct图像并进行血管造影，分别得到多个阶段的血管造影图像集；数据预处理与血管分割模块，被配置为对多个阶段的血管造影图像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影图像集进行血管分割处理，生成得到多个阶段的二维最大强度投影图像；训练集创建及模型训练模块，被配置为依据多个阶段的二维最大强度投影图像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型；模型选择与输出模块，被配置为对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型。8.一种终端，其特征在于：包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～6任一所述的大血管闭塞识别模型的建立方法中的步骤。9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行所述计算机程序时实现如权利要求1～6任一所述的大血管闭塞识别模型的建立方法中的步骤。
技术总结本申请公开了一种大血管闭塞识别模型的建立方法、装置、终端及存储介质，方法包括如下步骤：获取大脑的标准CT图像并进行血管造影，分别得到多个阶段的血管造影图像集；对多个阶段的血管造影图像集进行预处理，随后进行血管分割处理，生成得到多个阶段的二维最大强度投影图像；进行训练集组合创建，得到多组模型训练集并逐一进行深度学习模型训练，得到多个深度学习模型；选取评估结果最优的一个深度学习模型作为大血管闭塞识别模型。本申请大幅提高了LVO的诊断检出率，不仅优化了放射科医生检测LVO的工作流程，同时也能筛选出符合血栓切除术条件的患者。除术条件的患者。除术条件的患者。
技术研发人员：刘伟奇 陈磊 马学升 陈金钢 徐鹏 赵友源 赵晓彤
受保护的技术使用者：同心智医科技（北京）有限公司
技术研发日：2022.07.19
技术公布日：2022/11/1
