本发明涉及医学图像处理，具体涉及基于机器学习的cta颈内动脉分段方法及系统。
背景技术：
1、“颈内动脉分段”(segments of the internal carotid artery)是用于定位动脉粥样硬化、动脉瘤等血管疾病的主要方式；颈内动脉的分段有不同的分段方案，目前一般使用的颈内动脉分段，几乎都是顺血流的七段法在1996年由bouthillier等提出颈内动脉新的分段法。该方法以数字(c1－c7)顺血流方向标记颈内动脉全程，并考虑到对神经外科具有重要意义的颈内动脉四周解剖。该分段法各段的解剖分界明确，共分为七段(如图1)：c1颈段(cervical segement)，c2岩段(petrous segment)，c3破裂(孔)段(lacerum segment)c4海绵窦段(cavenous segement)，c5床段(clinic segment)，c6眼段(ophtalmicsegement)，c7交通段(communicating segment)；对于临床术前及预后评估有着重要指导意义。
2、随着医疗影像技术的飞速发展，cta(计算机断层血管造影)已经成为评估颈内动脉疾病的重要手段；颈内动脉是脑部供血的主要通道，其解剖结构复杂，包括多段分支；传统的颈内动脉分段方法主要依赖于医生的经验和专业知识，人工识别耗时且易受主观因素影响，导致诊断结果一致性不高。
3、现有技术，主要体现在以下不足：
4、1.肉眼识别，主观差异大：当前的临床场景中，一般通过医生肉眼阅片的方式定义与区分颈内血管的分段，并给出相应的血管病变位置；该定位方式，具备很大的主观差异；并且，cta上的解剖学标志大多是微妙的，对于缺乏经验的医生而言，是十分困难的。
5、2.传统图像分割方法：目前，基于阈值、边缘检测等算法的颈内动脉分段技术在一定程度上能够实现自动化处理，但这类方法对图像质量及噪声敏感度较高，难以应对复杂的血管形态变化以及病变情况，容易产生误分割或遗漏。
6、3.半自动分割工具：部分现有的半自动分割软件虽然可以辅助医生进行颈内动脉分段，但仍需大量的人工交互与修正，无法完全满足临床高效准确的需求，尤其是在大规模筛查或急诊场景下，效率受限。
7、4.初步机器学习应用：已有研究尝试将初级机器学习模型应用于颈内动脉分段，尽管比传统方法有所进步，但在处理细节丰富的血管边界、病理状态下的血管变形等问题上仍存在局限性，特别是在深度学习技术尚未广泛应用于此领域的背景下，预测精度和稳定性仍有待提高。
8、因此，现有技术存在不足，需要进一步改进。
技术实现思路
1、针对现有技术存在的问题，本发明提供基于机器学习的cta颈内动脉分段方法及系统。
2、为实现上述目的，本发明的具体方案如下：
3、本发明提供一种基于机器学习的cta颈内动脉分段方法，该方法包括以下步骤：
4、s1.使用深度学习模型(如3d-unet)对cta图像进行处理，以识别和分割颈内动脉；
5、s2.根据分割结果提取颈内动脉的中线；
6、s3.利用原始输入的标准颈部ct血管造影的薄层影像序列中包含的分段标志物信息赋予中线特征；
7、s4.对颈内动脉中线进行空间位置信息的特征提取；
8、s5.利用提取的影像特征作为输入，训练svm分类器，该分类器被设计为以顺血流方向将颈内动脉分为c1-c7七段，并输出相应分段结果；
9、s6.根据临床先验知识，对svm分类器初步输出的中线各点所属的分段单位进行二次修正；
10、s7.基于中线分段结果回归到颈内动脉分割结果，完成分段。
11、进一步地，在步骤s6中，二次修正包括：
12、s601,对于同类分段中穿插其他分段结果的中线点位，将穿插部分予以同化处理；
13、s602，对于顺血流顺序c1-c7出现排序混乱的中线点位，按顺血流方向进行排序处理。
14、本发明还提供一种基于机器学习的cta颈内动脉分段系统，用于实现上述方法，该系统包括：
15、处理器；
16、存储器，存储有指令，当指令被处理器执行时，使处理器能够运行深度学习模型，用于处理cta图像以采用上述基于机器学习的cta颈内动脉分段方法来识别和分割颈内动脉；
17、输入设备，用于接收cta图像；
18、输出设备，用于显示分割后的颈内动脉数据或三维重建的颈内动脉；
19、通信接口，用于接收更新的机器学习模型或发送cta图像和分割后的颈内动脉数据。
20、进一步地，该系统进一步包括：svm分类器，用于根据提取的影像特征进行分类，输出以顺血流的七段法的c1-c7段为单位的结果。
21、进一步地，该系统进一步包括：修正模块，用于根据临床先验知识对svm分类器任务的中线各点所属的分段单位进行二次修正。
22、本发明还提供一种计算机可读存储介质，存储有使计算机实现上述颈内动脉分段方法的程序指令。
23、进一步地，其中的程序指令进一步使计算机能够实现：接收cta图像，使用深度学习模型对cta图像进行处理，以识别和分割颈内动脉，使用分割的颈内动脉数据进行疾病诊断或治疗计划的制定，以及对分割的颈内动脉数据进行三维重建。
24、进一步地，其中的程序指令进一步使计算机能够实现：对颈内动脉中线进行空间位置信息的特征提取，以及利用提取的影像特征作为输入，训练svm分类器。
25、进一步地，其中的程序指令进一步使计算机能够实现：根据临床先验知识，对svm分类器任务的中线各点所属的分段单位进行二次修正，以及基于中线分段结果回归到颈内动脉分割结果，完成分段。
26、采用本发明的技术方案，具有以下有益效果：
27、1.提出了一种自动化颈内动脉分段方法，能够排除或减少人为评分的主观性差异(人眼分辨能力、疲劳程度、认知经验不同等的差异)，为血管疾病定位等医学研究提供准确客观的依据。
28、2.提高诊断精度：通过应用深度学习技术，该方法能够精确捕捉和识别颈内动脉各分段的复杂解剖特征，有效克服了传统手动或初级自动分割方法可能存在的主观性误差，提高了颈内动脉分段的准确度。
29、3.自动化程度提升：实现了颈内动脉分段的完全自动化处理，极大地减少了医生在图像分析上的工作量，尤其是在大批量病例筛查、急诊等情况中，可以快速生成诊断结果，提高医疗服务效率。
30、4.适应性强：无论是在正常血管形态还是存在病变情况下，本专利提出的系统都能稳定有效地进行颈内动脉分段，对图像质量要求相对较低，具备良好的鲁棒性和泛化能力。
31、5.迭代优化与自我学习：系统采用的深度学习模型具有自我学习与迭代优化的功能，在实际应用过程中能够持续改进自身的性能，使颈内动脉分段更加精准。
32、6.智能化用户交互：系统配备有直观易用的用户交互界面，不仅展示颈内动脉分段结果，还支持人工校验与确认，确保了医学专业人员在必要时可进行干预并融入临床经验，从而增强系统的可信度和实用性。
1.一种基于机器学习的cta颈内动脉分段方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1的方法，其特征在于，在步骤s6中，二次修正包括：
3.一种基于机器学习的cta颈内动脉分段系统，其特征在于，该系统包括：
4.根据权利要求3所述的颈内动脉分段系统，其特征在于，该系统进一步包括：svm分类器，用于根据提取的影像特征进行分类，输出以顺血流的七段法的c1-c7段为单位的结果。
5.根据权利要求4所述的颈内动脉分段系统，其特征在于，该系统进一步包括：修正模块，用于根据临床先验知识对svm分类器任务的中线各点所属的分段单位进行二次修正。
6.一种计算机可读存储介质，存储有使计算机实现权利要求1所述的方法的程序指令。
7.根据权利要求6所述的计算机可读存储介质，其特征在于，程序指令进一步使计算机能够实现：接收cta图像，使用深度学习模型对cta图像进行处理，以识别和分割颈内动脉，使用分割的颈内动脉数据进行疾病诊断或治疗计划的制定，以及对分割的颈内动脉数据进行三维重建。
8.根据权利要求6或7所述的计算机可读存储介质，其特征在于，其中的程序指令进一步使计算机能够实现：对颈内动脉中线进行空间位置信息的特征提取，以及利用提取的影像特征作为输入，训练svm分类器。
9.根据权利要求6至8任一的计算机可读存储介质，其中的程序指令进一步使计算机能够实现：根据临床先验知识，对svm分类器任务的中线各点所属的分段单位进行二次修正，以及基于中线分段结果回归到颈内动脉分割结果，完成分段。
