1.一种基于图像智能分析的颈动脉斑块快速分析方法，其特征在于，所述方法包括：接收输入的颈动脉斑块图像信息，根据预置的图像特征提取模型从所述颈动脉斑块图像信息的样本图像中提取得到与各样本对应的样本图像特征；

根据预置的基础特征获取规则从样本数据库中获取各样本对应的样本基础特征；

根据预置的模型训练策略、所述样本图像特征及所述样本个体特征对初始分析模型进行迭代训练，以得到目标分析模型；

若接收到所输入的待分析个体信息，根据所述图像特征提取模型从所述待分析个体信息的待分析颈动脉斑块图像中提取得到对应的初始个体图像特征；

根据所述基础特征获取规则从所述待分析个体信息的个体基础数据中获取对应的初始个体基础特征；

根据所述目标分析模型对所述初始个体图像特征及所述初始个体基础特征进行分析，得到包含风险概率的颈动脉斑块分析结果；

所述根据预置的图像特征提取模型从所述颈动脉斑块图像信息的样本图像中提取得到与各样本对应的样本图像特征之前，还包括：根据预存的初始图像特征提取模型从所述颈动脉斑块图像信息的样本图像中提取得到与各样本对应的初始图像特征；

根据各样本的类型标签对所述初始图像特征进行分组，得到各类型标签分别对应的初始图像特征集合；

根据预置的差异性计算规则对各所述初始图像特征集合进行差异性计算，以得到不同类型标签在多个特征项上分别对应的差异信息；

根据预置的指标项筛选规则及所述差异信息从多个指标项所包含的特征项中筛选得到对应的目标特征项；

根据预置的权重分配策略及所述差异信息对各所述目标特征项分别分配对应的权重系数；

根据各所述目标特征项的权重系数对所述初始图像特征提取模型中的轮廓特征提取规则进行配置更新，得到所述图像特征提取模型。

2.根据权利要求1所述的基于图像智能分析的颈动脉斑块快速分析方法，其特征在于，所述根据预置的模型训练策略、所述样本图像特征及所述样本个体特征对初始分析模型进行迭代训练，以得到目标分析模型，包括：将各样本的样本图像特征及样本个体特征组合为对应的样本综合特征；

将各样本的样本综合特征分别输入至所述初始分析模型进行分析，以获取各样本对应的预测概率值；

根据预置的损失值计算式计算与所有样本的类型标签及预测概率值对应的损失值；

根据预置的学习率计算式计算与当前迭代次数对应的学习率，以基于所述学习率对所述初始分析模型中的参数值进行迭代优化，得到优化分析模型；

判断所述损失值是否满足预置的结束训练条件；

若所述损失值满足所述结束训练条件，终止训练过程并获取所述优化分析模型作为对应的目标分析模型；

若所述损失值不满足所述结束训练条件，将所述优化分析模型作为初始分析模型并返回执行所述将各样本的样本综合特征分别输入至所述初始分析模型进行分析的步骤。

3.根据权利要求2所述的基于图像智能分析的颈动脉斑块快速分析方法，其特征在于，所述终止训练过程并获取所述优化分析模型作为对应的目标分析模型之前，还包括：将预存的验证数据集中各组验证特征分别输入至所述优化分析模型，以获取各所述验证特征对应的预测概率值；

根据所述预测概率值及各验证特征的验证类型标签计算得到对应的准确率；

判断所述准确率是否不小于预置的验证准确率阈值；

若所述准确率不小于所述验证准确率阈值，执行所述终止训练过程并获取所述优化分析模型作为对应的目标分析模型的步骤。

4.根据权利要求1‑3任一项所述的基于图像智能分析的颈动脉斑块快速分析方法，其特征在于，所述根据预置的图像特征提取模型从所述颈动脉斑块图像信息的样本图像中提取得到与各样本对应的样本图像特征，包括：根据所述图像特征提取模型中的轮廓提取规则对各样本图像进行轮廓提取，得到各样本图像对应的图像轮廓；

根据所述图像特征提取模型中的轮廓特征提取规则对各所述样本图像的图像轮廓进行识别，得到对应的轮廓类型识别信息；

对所述样本的各样本图像的轮廓类型识别信息进行整合，得到对应的样本图像特征。

5.根据权利要求1所述的基于图像智能分析的颈动脉斑块快速分析方法，其特征在于，所述根据所述图像特征提取模型中的轮廓特征提取规则对各所述样本图像的图像轮廓进行识别，得到对应的轮廓类型识别信息，包括：根据所述轮廓特征提取规则中各指标项对应的分辨率区间及所述图像轮廓所对应的样本图像的分辨率，确定与各指标项相匹配的图像轮廓；

根据所述轮廓特征提取规则中各指标项对应的特征提取策略对各指标项对应的图像轮廓进行识别，从而得到各图像轮廓对应的轮廓类型识别信息。

6.根据权利要求1所述的基于图像智能分析的颈动脉斑块快速分析方法，其特征在于，所述根据各所述目标特征项的权重系数对所述图像特征提取模型中的轮廓特征提取规则进行配置更新，得到更新后的图像特征提取模型，包括：根据所述目标特征项对所述轮廓特征提取规则包含的特征提取策略进行更新，以得到更新后的轮廓特征提取规则；

根据所述目标特征项的权重系数对更新后的所述轮廓特征提取规则中各特征提取策略的提取权重值进行配置，得到更新后的图像特征提取模型。

7.一种基于图像智能分析的颈动脉斑块快速分析装置，其特征在于，所述装置用于执行如权利要求1‑6任一项所述的基于图像智能分析的颈动脉斑块快速分析方法，所述装置包括：样本图像特征获取单元，用于接收输入的颈动脉斑块图像信息，根据预置的图像特征提取模型从所述颈动脉斑块图像信息的样本图像中提取得到与各样本对应的样本图像特征；

样本基础特征获取单元，用于根据预置的基础特征获取规则从样本数据库中获取各样本对应的样本基础特征；

模型训练单元，用于根据预置的模型训练策略、所述样本图像特征及所述样本个体特征对初始分析模型进行迭代训练，以得到目标分析模型；

初始个体图像特征获取单元，用于若接收到所输入的待分析个体信息，根据所述图像特征提取模型从所述待分析个体信息的待分析颈动脉斑块图像中提取得到对应的初始个体图像特征；

初始个体基础特征获取单元，用于根据所述基础特征获取规则从所述待分析个体信息的个体基础数据中获取对应的初始个体基础特征；

分析结果获取单元，用于根据所述目标分析模型对所述初始个体图像特征及所述初始个体基础特征进行分析，得到包含风险概率的颈动脉斑块分析结果。

8.一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机设备执行所述计算机程序时实现如权利要求1至6中任一项所述的基于图像智能分析的颈动脉斑块快速分析方法。

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，当所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于图像智能分析的颈动脉斑块快速分析方法。