本技术涉及智能影像检测领域，且更为具体地，涉及一种基于深度学习的颅内动脉瘤影像检测系统及方法。
背景技术：
1、颅内动脉瘤是一种严重的脑血管疾病，通常表现为脑血管壁的局部扩张或突出，可能导致脑出血、缺血性中风等严重后果。采用介入栓塞技术治疗逐渐成为颅内动脉瘤的重要治疗手段。对颅内动脉瘤进行介入栓塞治疗后，需要评估颅内动脉瘤栓塞后复发风险。传统的方法主要依赖医生的经验和视觉评估，或是基于随访检查结果来进行协助判断，来确定是否会发生颅内动脉瘤闭塞。这可能会因操作者的人眼分辨能力、疲劳程度、认知经验等的不同而存在极大差异，同时，由于操作者进行判断时，容易误判，可操作性差。
2、针对上述技术问题，中国专利cn113130078b提出了一种预测颅内动脉瘤闭塞的方法、装置以及设备，其通过对dsa影像数据以及与这些影像数据对应的病例信息进行分析来预测造影剂在动脉瘤中是否存在射流、动脉瘤内的充盈程度、造影剂是否最终存在毛细血管期和静脉窦期以及动脉瘤闭塞的概率，从而利用这些预测数据的加权和与预设阈值之间的比较来得到动脉瘤闭塞的最终预测结果。
3、在上述预测颅内动脉瘤闭塞的方法中，通过分别提取dsa影像数据及dsa影像数据对应的病例信息的特征，然后对这两种特征进行监督训练来获得训练模型，利用该训练模型来进行动脉瘤闭塞的预测。这种方式虽然能够减少人为因素带来的差异，但是其对于dsa影像数据中信息的利用率较低，难以全面和细致地分析出dsa影像语义，同时会损失一些细微但重要的特征信息，进而影响预测精度。此外，在利用dsa影像数据特征和病例信息特征来进行动脉瘤闭塞预测时，并没有关注到这两者之间的关键语义和复杂交互信息，这样可能难以发现dsa影像语义和病例信息语义之间的内在联系，导致对颅内动脉瘤状态的判断产生误差，从而影响医生的治疗决策。
4、因此，期望一种优化的颅内动脉瘤影像检测系统。
技术实现思路
1、为了解决上述技术问题，提出了本技术。
2、根据本技术的一个方面，提供了一种基于深度学习的颅内动脉瘤影像检测系统，其包括：
3、数据采集模块，用于获取dsa影像数据及与所述dsa影像数据对应的病历信息；
4、影像数据多尺度特征提取模块，用于对所述dsa影像数据进行多尺度特征提取以得到dsa影像浅层-深层联合交互特征；
5、病历信息文本语义编码模块，用于对与所述dsa影像数据对应的病历信息进行语义编码以得到病历信息文本语义编码特征；
6、病历信息-影像语义交互筛选模块，用于对所述dsa影像浅层-深层联合交互特征和所述病历信息文本语义编码特征进行特征交互筛选编码以得到病历信息-dsa影像交互筛选特征；其中，所述病历信息-影像语义交互筛选模块，包括：特征映射处理单元，用于对所述病历信息文本语义编码特征进行线性变换和掩码处理以得到掩码化第一病历信息文本语义编码辅助特征映射模式表示和掩码化第二病历信息文本语义编码辅助特征映射模式表示；特征交互筛选单元，用于基于所述掩码化第一病历信息文本语义编码辅助特征映射模式表示和所述掩码化第二病历信息文本语义编码辅助特征映射模式表示对所述dsa影像浅层-深层联合交互特征进行特征筛选以得到所述病历信息-dsa影像交互筛选特征；
7、动脉瘤闭塞检测模块，用于基于所述病历信息-dsa影像交互筛选特征，确定用于表示动脉瘤是否闭塞的检测结果。
8、进一步地，所述影像数据多尺度特征提取模块，包括：
9、影像数据特征捕获单元，用于将所述dsa影像数据输入基于空洞金字塔网络的多尺度影像特征提取器以得到dsa影像浅层特征图和dsa影像深层特征图；
10、影像浅层-深层特征联合交互单元，用于对所述dsa影像浅层特征图和所述dsa影像深层特征图进行基于内核关联的特征联合交互编码以得到所述dsa影像浅层-深层联合交互特征。
11、进一步地，所述影像浅层-深层特征联合交互单元，包括：
12、影像特征蒸馏子单元，用于将所述dsa影像浅层特征图和所述dsa影像深层特征图输入内核特征蒸馏网络以得到dsa影像浅层内核特征向量和dsa影像深层内核特征向量；
13、影像内核特征全域关联编码子单元，用于对所述dsa影像浅层内核特征向量和所述dsa影像深层内核特征向量进行全域关联编码以得到dsa影像浅层-深层内核特征间全域编码矩阵；
14、影像浅层-深层内核特征稀疏掩码子单元，用于将所述dsa影像浅层-深层内核特征间全域编码矩阵输入稀疏掩码单元以得到dsa影像浅层-深层内核特征间关联稀疏权重矩阵；
15、影像特征逐位置关联交互子单元，用于将所述dsa影像浅层特征图和所述dsa影像深层特征图输入逐位置关联交互网络以得到dsa影像浅层-深层逐位置交互融合特征图；
16、影像浅层-深层逐位置交互融合特征显著稀疏调制子单元，用于基于所述dsa影像浅层-深层内核特征间关联稀疏权重矩阵，对所述dsa影像浅层-深层逐位置交互融合特征图进行特征显著稀疏调制以得到dsa影像浅层-深层联合交互特征图作为所述dsa影像浅层-深层联合交互特征。
17、进一步地，所述影像特征蒸馏子单元，包括：
18、影像浅层特征分解二级子单元，用于对所述dsa影像浅层特征图进行特征分解以得到dsa影像浅层分解特征向量的序列；
19、影像浅层分解特征差异计算二级子单元，用于计算所述dsa影像浅层分解特征向量的序列中的各个dsa影像浅层分解特征向量相对于其他dsa影像浅层分解特征向量的差异特征以得到dsa影像浅层分解特征差异表示向量；
20、影像浅层分解特征差异表示归一化处理二级子单元，用于对所述dsa影像浅层分解特征差异表示向量中的各个特征值进行归一化处理以得到归一化dsa影像浅层分解特征差异表示向量；
21、影像浅层分解特征加权和计算二级子单元，用于以所述归一化dsa影像浅层分解特征差异表示向量中的各个特征值作为权重，计算所述dsa影像浅层分解特征向量的序列的加权和以得到所述dsa影像浅层内核特征向量。
22、进一步地，所述影像浅层分解特征差异计算二级子单元，用于：
23、计算所述dsa影像浅层分解特征向量的序列中的各个dsa影像浅层分解特征向量与其他dsa影像浅层分解特征向量之间的按位置差值的一范数以得到dsa影像浅层分解特征差异一范数表示值的序列；
24、计算所述dsa影像浅层分解特征差异一范数表示值的序列的平均值以得到dsa影像浅层分解特征差异一范数平均表示值；
25、将多个所述dsa影像浅层分解特征差异一范数平均表示值进行向量化排列以得到所述dsa影像浅层分解特征差异表示向量。
26、进一步地，所述病历信息文本语义编码模块，用于：对与所述dsa影像数据对应的病历信息进行语义编码以得到病历信息文本语义编码特征向量作为所述病历信息文本语义编码特征。
27、进一步地，所述特征映射处理单元，包括：
28、病历信息文本特征线性变化子单元，用于对所述病历信息文本语义编码特征向量分别进行基于第一权重修饰符矩阵和第二权重修饰符矩阵的线性变换以得到第一病历信息文本语义编码辅助特征映射模式表示向量和第二病历信息文本语义编码辅助特征映射模式表示向量；
29、第一病历信息文本梯度幅值掩码处理子单元，用于基于所述第一病历信息文本语义编码辅助特征映射模式表示向量中各个位置的梯度幅值，对所述第一病历信息文本语义编码辅助特征映射模式表示向量进行基于梯度幅值的掩码处理以得到掩码化第一病历信息文本语义编码辅助特征映射模式表示向量作为所述掩码化第一病历信息文本语义编码辅助特征映射模式表示；
30、第二病历信息文本梯度幅值掩码处理子单元，用于基于所述第二病历信息文本语义编码辅助特征映射模式表示向量中各个位置的梯度幅值，对所述第二病历信息文本语义编码辅助特征映射模式表示向量进行基于梯度幅值的掩码处理以得到掩码化第二病历信息文本语义编码辅助特征映射模式表示向量作为所述掩码化第二病历信息文本语义编码辅助特征映射模式表示。
31、进一步地，所述特征交互筛选单元，包括：
32、初步特征筛选子单元，用于基于所述掩码化第一病历信息文本语义编码辅助特征映射模式表示向量和双曲正切函数对所述dsa影像浅层-深层联合交互特征图进行初步特征筛选以得到初步筛选后dsa影像浅层-深层联合交互特征图；
33、再次特征筛选子单元，用于基于所述掩码化第二病历信息文本语义编码辅助特征映射模式表示向量和sigmoid函数对所述初步筛选后dsa影像浅层-深层联合交互特征图进行再次特征筛选以得到病历信息-dsa影像交互筛选特征图作为所述病历信息-dsa影像交互筛选特征。
34、进一步地，所述动脉瘤闭塞检测模块，用于：将所述病历信息-dsa影像交互筛选特征图输入基于分类器的检测结果生成器以得到检测结果，所述检测结果用于表示动脉瘤是否闭塞。
35、根据本技术的另一方面，提供了一种基于深度学习的颅内动脉瘤影像检测方法，其包括：
36、步骤1，获取dsa影像数据及与所述dsa影像数据对应的病历信息；
37、步骤2，对所述dsa影像数据进行多尺度特征提取以得到dsa影像浅层-深层联合交互特征；
38、步骤3，对与所述dsa影像数据对应的病历信息进行语义编码以得到病历信息文本语义编码特征；
39、步骤4，对所述dsa影像浅层-深层联合交互特征和所述病历信息文本语义编码特征进行特征交互筛选编码以得到病历信息-dsa影像交互筛选特征；其中，所述步骤4，包括：对所述病历信息文本语义编码特征进行线性变换和掩码处理以得到掩码化第一病历信息文本语义编码辅助特征映射模式表示和掩码化第二病历信息文本语义编码辅助特征映射模式表示；基于所述掩码化第一病历信息文本语义编码辅助特征映射模式表示和所述掩码化第二病历信息文本语义编码辅助特征映射模式表示对所述dsa影像浅层-深层联合交互特征进行特征筛选以得到所述病历信息-dsa影像交互筛选特征；
40、步骤5，基于所述病历信息-dsa影像交互筛选特征，确定用于表示动脉瘤是否闭塞的检测结果。
41、与现有技术相比，本技术提供的一种基于深度学习的颅内动脉瘤影像检测系统及方法，其首先获取dsa影像数据及与所述dsa影像数据对应的病历信息，然后在后端利用基于人工智能和深度学习的数据处理和图像分析算法来对该dsa影像数据和病历信息进行分析以及基于特征交互和筛选思想的特征聚合处理，从而实现对颅内动脉瘤状态的智能分析和检测，以判断动脉瘤是否闭塞。这不仅可以排除或减少人为因素带来的差异，还能够综合利用dsa影像和病历信息中的关键语义和复杂交互信息来辅助医生进行颅内动脉瘤的诊断，为临床医生提供有力的支持。
1.一种基于深度学习的颅内动脉瘤影像检测系统，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的颅内动脉瘤影像检测系统，其特征在于，所述影像数据多尺度特征提取模块，包括：
3.根据权利要求2所述的基于深度学习的颅内动脉瘤影像检测系统，其特征在于，所述影像浅层-深层特征联合交互单元，包括：
4.根据权利要求3所述的基于深度学习的颅内动脉瘤影像检测系统，其特征在于，所述影像特征蒸馏子单元，包括：
5.根据权利要求4所述的基于深度学习的颅内动脉瘤影像检测系统，其特征在于，所述影像浅层分解特征差异计算二级子单元，用于：
6.根据权利要求5所述的基于深度学习的颅内动脉瘤影像检测系统，其特征在于，所述病历信息文本语义编码模块，用于：对与所述dsa影像数据对应的病历信息进行语义编码以得到病历信息文本语义编码特征向量作为所述病历信息文本语义编码特征。
7.根据权利要求6所述的基于深度学习的颅内动脉瘤影像检测系统，其特征在于，所述特征映射处理单元，包括：
8.根据权利要求7所述的基于深度学习的颅内动脉瘤影像检测系统，其特征在于，所述特征交互筛选单元，包括：
9.根据权利要求8所述的基于深度学习的颅内动脉瘤影像检测系统，其特征在于，所述动脉瘤闭塞检测模块，用于：将所述病历信息-dsa影像交互筛选特征图输入基于分类器的检测结果生成器以得到检测结果，所述检测结果用于表示动脉瘤是否闭塞。
10.一种基于深度学习的颅内动脉瘤影像检测方法，其特征在于，包括：
