技术摘要：
本申请提供了一种冠状动脉特异性钙化检测方法及装置，包括：利用人工智能模型的自学习能力，建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系；获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征；通过对  全部
背景技术：
冠状动脉特异性钙化分析是同时对不同冠状动脉中的钙化病变进行分割和定量， 从而详细揭示每个冠状动脉的狭窄位置和狭窄程度。动脉特异性钙化的分割旨在定位所有 冠状动脉分支上的钙化斑块，它可以捕获丰富的钙化信息，包括钙化斑块的分布特征和几 何特征。动脉特异性钙化的量化旨在估计所有冠状动脉分支上钙化斑块的钙化积分 (Agatston  score)，体积积分和质量积分，直接反映单个冠脉的钙化程度。 但动脉特异性钙化分析由于它的特殊性，还面临以下几种挑战： 第一，由于钙化斑块的位置和形状多变，再加上钙化通常很小，分割冠脉特异性钙 化仍然是一个具有挑战性的问题；而且，在计算机断层扫描(CT扫描)中，肋骨和脊柱的像素 强度比冠状动脉钙化高，这也可能导致钙化的错误分割。另外，主动脉和二尖瓣上的钙化也 会对钙化的分割造成干扰。 第二，不同的钙化积分因为测量标准不同，难以同时进行评估。 第三，动脉特异性钙化的同时分割和量化是一个多任务问题，不同任务之间存在 的复杂依赖关系，给钙化特征的深度学习带来了困难；而且，多任务问题同时也是一个高维 多输出问题，使动脉特异性钙化分析比单独的分割和量化在有效特征的提取上难度更大。 现有的一些钙化分析方法大都是基于钙化的分类和回归： (1)分类方法实现钙化分割，这些方法通常根据人工或自动特征对钙化和非钙化 区域进行分类，然后根据分割得到的钙化斑块计算钙化积分。根据CT扫描的不同形式，这些 分类方法可以进一步分为三种：非对比心脏CT方法，对比增强心脏CT造影(CTA)方法和低剂 量胸部CT方法。 此外，深度学习由于其有效的层级表示能力，也用于钙化分割问题，它们采用自动 特征来代替人工特征，从而获得了优越的性能。 但是，以上的这些基于钙化分类的方法必须首先对钙化斑块进行分割，然后再计 算钙化积分，这会导致大量的冗余工作，尤其是在大型数据集中。 (2)回归方法实现钙化积分估计，由于CT扫描序列中包含足够的钙化信息，因此一 些基于钙化回归的方法，可以直接估算特定的钙化积分，省去了中间的钙化分割步骤。例 如，Cano-Espinosa等人采用简单的神经网络结构来进行Agatston积分的直接回归估计。在 另一个工作中，de  Vos等人使用配准卷积网络对CT切片进行有效选择，然后将得到的切片 通过另一个卷积网络对某一种钙化积分进行回归估计。 但是，以上的钙化回归方法一次只能获得一种特定的钙化积分，而且在估算过程 中没有利用不同钙化积分之间的相关性，容易产生误差。 如图1，现有技术实现冠脉特异性钙化分析有一定缺陷： (1)现有的钙化分析方法只能在CT扫描序列和钙化之间建立间接映射，存在导致 5 CN 111612756 A 说　明　书 2/17 页 在复杂的信息传递过程中出现误差传递的可能。 (2)现有的钙化分析方法均是先检测出钙化斑块，然后根据检测到的钙化来计算 钙化积分；或是先估计钙化积分，再根据钙化积分可视化钙化斑块，处理过程是孤立进行 的，处理时容易丢失关键信息。
技术实现要素：
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问 题的冠状动脉特异性钙化检测方法及装置，包括： 一种冠状动脉特异性钙化检测方法，包括： 利用人工智能模型的自学习能力，建立冠状动脉多视角医学图像的多视角图像特 征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系；其中，所述多视角至少 包括三个位置不同的视角； 获取患者的当前冠状动脉多视角医学图像的当前多视角图像特征； 通过所述对应关系，确定与所述当前多视角图像特征对应的当前冠状动脉中的钙 化分割结果和钙化量化结果；具体地，确定与所述多视角图像特征对应的当前冠状动脉中 的钙化分割结果和钙化量化结果，包括：将所述对应关系中与所述当前多视角图像特征相 同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结果，确定为所述当 前冠状动脉中的钙化分割结果和钙化量化结果。 进一步地，所述多视角图像特征，包括：轴视角特征，和/或冠状视角特征，和/或矢 状视角特征，和/或由按设定规律自所述轴视角特征，所述冠状视角特征，和所述矢状视角 特征中提取的特征组成的一维或以上的综合特征；其中， 所述轴视角特征，包括：轴视角图像灰度值，以及像素坐标； 和/或， 所述冠状视角特征，包括：冠状视角图像灰度值，以及像素坐标； 和/或， 所述矢状视角特征，包括：矢状视角图像灰度值，以及像素坐标； 和/或， 所述对应关系，包括：函数关系；所述多视角图像特征为所述函数关系的输入参 数，所述冠状动脉中的钙化分割结果和钙化量化结果为所述函数关系的输出参数； 确定与所述当前多视角图像特征对应的当前冠状动脉中的钙化分割结果和钙化 量化结果，还包括： 当所述对应关系包括函数关系时，将所述当前多视角图像特征输入所述函数关系 中，确定所述函数关系的输出参数为当前冠状动脉中的钙化分割结果和钙化量化结果。 进一步地，所述建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的 钙化分割结果和钙化量化结果之间的对应关系的步骤，包括： 获取用于建立所述钙化分割结果与所述钙化量化结果之间的依赖性关系的样本 数据； 依据所述样本数据确定所述钙化分割结果与所述钙化量化结果之间的依赖性关 系。 6 CN 111612756 A 说　明　书 3/17 页 进一步地，所述建立冠状动脉多视角医学图像的多视角图像特征与冠状动脉中的 钙化分割结果和钙化量化结果之间的对应关系的步骤，包括： 获取用于建立所述多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量 化结果之间的对应关系的样本数据； 分析所述多视角图像特征的特性及其规律，根据所述特性及其规律，确定所述人 工智能模型的模型结构及其模型参数； 使用所述样本数据，对所述模型结构和所述模型参数进行训练和测试，确定所述 多视角图像特征与所述冠状动脉中的钙化分割结果和钙化量化结果的所述对应关系。 进一步地，所述获取用于建立所述多视角图像特征与所述冠状动脉中的钙化分割 结果和钙化量化结果之间的对应关系的样本数据的步骤，包括： 收集不同心脏状况的患者的所述多视角图像特征和所述冠状动脉中的钙化分割 结果和钙化量化结果； 对所述多视角图像特征进行分析、并结合预存的专家经验信息，选取与所述冠状 动脉中的钙化分割结果和钙化量化结果相关的数据作为所述多视角图像特征； 将所述冠状动脉中的钙化分割结果和钙化量化结果、以及选取的所述多视角图像 特征构成的数据对，作为样本数据。 进一步地，对所述模型结构和所述模型参数进行训练，包括： 选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述多视 角图像特征输入到所述模型结构，通过所述模型结构的损失函数，激活函数和所述模型参 数进行训练，得到实际训练结果； 确定所述实际训练结果与所述训练样本中的相应冠状动脉中的钙化分割结果和 钙化量化结果之间的实际训练误差是否满足预设训练误差； 当所述实际训练误差满足所述预设训练误差时，确定对所述模型结构和所述模型 参数的所述训练完成； 和/或， 对所述模型结构和所述模型参数进行测试，包括： 选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述多 视角图像特征输入到所述训练完成的所述模型结构中，以所述损失函数，激活函数和所述 训练完成的所述模型参数进行测试，得到实际测试结果； 确定所述实际测试结果与所述测试样本中的相应冠状动脉中的钙化分割结果和 钙化量化结果之间的实际测试误差是否满足设定测试误差； 当所述实际测试误差满足所述设定测试误差时，确定对所述模型结构和所述模型 参数的所述测试完成。 进一步地，对所述模型结构和所述模型参数进行训练，还包括： 当所述实际训练误差不满足所述设定训练误差时，通过所述模型结构的误差损失 函数更新所述模型参数； 通过所述模型结构的所述损失函数，激活函数和更新后的所述模型参数进行重新 训练，直至所述重新训练后的实际训练误差满足所述设定训练误差； 和/或， 7 CN 111612756 A 说　明　书 4/17 页 对所述模型结构和所述模型参数进行测试，还包括： 当所述实际测试误差不满足所述设定测试误差时，对所述模型结构和所述模型参 数进行重新训练，直至所述重新训练后的实际测试误差满足所述设定测试误差。 一种冠状动脉特异性钙化检测装置，包括： 建立模块，用于利用人工智能模型的自学习能力，建立冠状动脉多视角医学图像 的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应关系；其中， 所述多视角至少包括三个位置不同的视角； 获取模块，用于获取患者的当前冠状动脉多视角医学图像的当前多视角图像特 征； 确定模块，用于通过所述对应关系，确定与所述当前多视角图像特征对应的当前 冠状动脉中的钙化分割结果和钙化量化结果；具体地，确定与所述多视角图像特征对应的 当前冠状动脉中的钙化分割结果和钙化量化结果，包括：将所述对应关系中与所述当前多 视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化量化结 果，确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。 一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运 行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的冠状动脉特异性钙 化检测方法的步骤。 一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计 算机程序被处理器执行时实现如上所述的冠状动脉特异性钙化检测方法的步骤。 本申请具有以下优点： 在本申请的实施例中，通过利用人工智能模型的自学习能力，建立冠状动脉多视 角医学图像的多视角图像特征与冠状动脉中的钙化分割结果和钙化量化结果之间的对应 关系；其中，所述多视角至少包括三个位置不同的视角；获取患者的当前冠状动脉多视角医 学图像的当前多视角图像特征；通过所述对应关系，确定与所述当前多视角图像特征对应 的当前冠状动脉中的钙化分割结果和钙化量化结果；具体地，确定与所述多视角图像特征 对应的当前冠状动脉中的钙化分割结果和钙化量化结果，包括：将所述对应关系中与所述 当前多视角图像特征相同的多视角图像特征所对应的冠状动脉中的钙化分割结果和钙化 量化结果，确定为所述当前冠状动脉中的钙化分割结果和钙化量化结果。能同时实现冠脉 特异性钙化的分割和量化，节省了大量的冗余工作；通过人工智能模型对多视角特征进行 深度学习识别，能更好地提高各个视角之间的协作性，从而提升特征表示的判别性。 附图说明 为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附 图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域 普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附 图。 图1是本申请