[發明專利]一種基于血液流動特性的透明型血管類型識別方法

有效

• 申請號: 202111280337.9
• 申請日: 2021-10-29
• 公開（公告）號: CN113989170B
• 公開（公告）日: 2023-01-24
• 發明（設計）人: 孫明竹;趙新;王一雯;李璐
• 申請（專利權）人: 南開大學
• 主分類號: G06T5/40
• 分類號: G06T5/40;G06T7/00;G06T7/11;G06T7/136;G06T7/90;G06V10/764;G06V20/40;G06N20/00
• 代理公司: 天津睿勤專利代理事務所(普通合伙) 12225
• 代理人: 孟福成

1.一種基于血液流動特性的透明型血管類型識別方法，其特征在于，包括如下步驟：

S1，通過顯微拍攝的方式，獲取具有透明型血管結構的活體模式動物局部血液流動視頻；

S2，獲取活體模式動物局部標準血管結構二值圖真值，使用稠密光流算法，計算與所述標準血管結構二值圖真值相對應的血液流動視頻中任意相鄰兩幀圖像之間的瞬時光流場，對視頻圖像序列中所有瞬時光流場取平均，獲得平均光流場，并將平均光流場可視化，獲得光流可視化圖像；輸入得到的平均光流場，提取每個像素點的光流連續性特征；輸入得到的光流可視化圖像，提取每個像素點的灰度特征；輸入標準血管結構二值圖真值，提取每個像素點的血管連續性特征；將得到的每個像素點的光流連續性特征、血管連續性特征以及灰度特征組成特征向量序列，作為訓練數據集，訓練機器學習分類模型；

S3，使用稠密光流算法，計算步驟S1拍攝得到的其中一段局部血液流動視頻中任意相鄰兩幀圖像之間的瞬時光流場，對視頻圖像序列中所有瞬時光流場取平均，獲得平均光流場，并將平均光流場可視化，獲得光流可視化圖像；

S4，利用DenseUNet神經網絡分割步驟S3處理得到的光流可視化圖像，得到與光流可視化圖像相對應的血管結構二值圖初步結果；

S5，采用背景減除法處理步驟S3中的視頻圖像序列，并將結果累加，獲得含部分毛細血管結構的血管結構二值圖；

S6，將步驟S4、S5得到的二值圖進行累加，作為血管區域生長的種子圖像；

S7，利用步驟S2中的特征提取方法，對步驟S3處理得到的光流可視化圖像、平均光流場，以及步驟S6處理得到的血管結構種子圖像，進行特征提取，計算當前所有候選點的灰度特征、血管連續性特征以及光流連續性特征，組成特征向量序列，使用步驟S2訓練好的機器學習分類模型進行區域生長運算，更新血管結構種子圖像；其中：區域生長未結束時，重復該步驟直至區域生長結束，得到分割后的血管結構二值圖像；

S8，將步驟S3處理得到的光流可視化圖像從RGB顏色空間轉化到HSV顏色空間，得到光流可視化HSV圖像；

S9，分別輸入步驟S8得到的光流可視化HSV圖像以及步驟S7處理得到的血管結構二值圖像，僅保留光流可視化HSV圖像中血管結構區域內的圖像數據；

S10，提取步驟S9處理得到的血管結構區域內光流可視化HSV圖像中的S通道圖像，區分出毛細血管；步驟S10具體為：提取血管結構區域內光流可視化HSV圖像中的S通道，計算S通道的顏色飽和度數值直方圖，取峰值之間的極小值作為閾值，將顏色飽和度數值低于閾值的像素點標記為毛細血管像素點；

S11，提取步驟S9處理得到的血管結構區域內光流可視化HSV圖像中的H通道圖像，區分出主干血管；步驟S11具體為：提取血管結構區域內光流可視化HSV圖像中的H通道，計算H通道的色調數值直方圖，取三個峰值之間的兩個極小值作為雙閾值α和β（0αβ180），將色調數值在α~β之間的像素點記為其中一條主干血管的像素點，將色調數值在0~α和β~180之間的像素點記為另一主干血管的像素點，從而分出兩條主干血管；

S12，參考活體模式動物的心臟位置，區分于兩條主干血管中的動脈和靜脈；步驟S12具體為：分別計算兩條主干血管的光流矢量及其與活體模式動物心臟所在方位的夾角ɑ，若夾角ɑ小于90°，則該光流矢量所在的主干血管為靜脈，若夾角ɑ大于90°，則該光流矢量所在的主干血管為動脈。

2.根據權利要求1所述的一種基于血液流動特性的透明型血管類型識別方法，其特征在于，步驟S2、S3中，所述稠密光流算法為Farneback光流算法；光流可視化圖像通過Munsell顏色系統處理得到。