[發(fā)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?zhí)枺?/td> | 202111280337.9 | 申請日： | 2021-10-29 |
| 公開（公告）號： | CN113989170B | 公開（公告）日： | 2023-01-24 |
| 發(fā)明（設(shè)計）人： | 孫明竹;趙新;王一雯;李璐 | 申請（專利權(quán)）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(wù)所(普通合伙) 12225 | 代理人： | 孟福成 |
| 地址： | 300000 天津*** | 國省代碼： | 天津;12 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 基于 血液 流動 特性 透明 血管 類型 識別 方法 | ||
本發(fā)明涉及一種基于血液流動特性的透明型血管類型識別方法，包括如下步驟：獲取具有透明型血管結(jié)構(gòu)的活體模式動物局部血液流動視頻；訓練機器學習分類模型；計算血液流動視頻中相鄰兩幀圖像的瞬時光流場、平均光流場，并將平均光流場可視化；得到與局部血液流動視頻相對應(yīng)的血管結(jié)構(gòu)二值圖像；將光流可視化圖像從RGB空間轉(zhuǎn)換到HSV空間；保留光流可視化HSV圖像中血管結(jié)構(gòu)區(qū)域內(nèi)的圖像數(shù)據(jù)；提取HSV圖像的S通道圖像，區(qū)分出毛細血管；提取HSV圖像的H通道圖像，區(qū)分出主干血管；參考心臟的位置，區(qū)分出靜脈和動脈。與傳統(tǒng)方式相比，能夠免去使用熒光顯微鏡拍攝血管的繁瑣工作，簡便快速地區(qū)分血管類型，且準確率較高。
技術(shù)領(lǐng)域
本發(fā)明涉及顯微圖像處理領(lǐng)域，具體涉及一種基于血液流動特性，簡單、快速確定活體模式動物透明型血管類型的方法。
背景技術(shù)
準確識別活體模式動物在體血管類型，提供顯微視覺反饋，有利于進一步的顯微操作和機理研究。目前，血管類型識別的研究手段主要是視網(wǎng)膜顯微圖像和熒光血管圖像，這類圖像邊緣明顯、紋理相對清晰，主流的血管類型識別方法對這類圖像有較好的效果。然而，部分活體模式動物的血管在顯微鏡下呈透明狀、血管連通性差、邊緣模糊、成像信噪比低，現(xiàn)有常規(guī)血管類型識別方法并不適用于這些活體模式動物的血管。
目前，人們多使用共聚焦顯微鏡拍攝模式動物透明型血管的熒光顯微圖像，以進一步研究血管類型自動識別方法。然而，熒光顯微圖像的拍攝過程較為復(fù)雜、耗時，圖像質(zhì)量容易出現(xiàn)不連續(xù)、邊界模糊等問題；此外，由于共聚焦顯微鏡的激光強度高，模式動物在拍攝過程中很容易死亡，無法進行后續(xù)的顯微操作。因此，有必要針對顯微鏡下模式動物難以識別的透明型在體血管，設(shè)計一種血管類型識別算法，快速準確地獲得血管類型。
發(fā)明內(nèi)容
基于現(xiàn)有常規(guī)手段識別顯微鏡下模式動物透明型在體血管類型存在的上述缺陷和不足，本發(fā)明設(shè)計了一種根據(jù)活體模式動物血液流動視頻，進行血管結(jié)構(gòu)圖像分割的計算方法，并根據(jù)分割得到的血管結(jié)構(gòu)二值圖結(jié)合特定的圖像處理方式以及不同類型血管中血細胞運動方向和運動速度的差異，準確、快速地區(qū)分透明型血管類型的方法，與傳統(tǒng)采用共聚焦顯微鏡拍攝模式動物透明型血管熒光顯微圖像的方式相比，能夠免去使用熒光顯微鏡拍攝血管的繁瑣工作，簡便快速地區(qū)分血管類型，且準確率較高。
本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案是：一種基于血液流動特性的透明型血管類型識別方法，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(jié)構(gòu)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(jié)構(gòu)二值圖真值，使用稠密光流算法，計算與所述標準血管結(jié)構(gòu)二值圖真值相對應(yīng)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(xù)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(jié)構(gòu)二值圖真值，提取每個像素點的血管連續(xù)性特征；將得到的每個像素點的光流連續(xù)性特征、血管連續(xù)性特征以及灰度特征組成特征向量序列，作為訓練數(shù)據(jù)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(jīng)網(wǎng)絡(luò)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(yīng)的血管結(jié)構(gòu)二值圖初步結(jié)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(jié)果累加，獲得含部分毛細血管結(jié)構(gòu)的血管結(jié)構(gòu)二值圖；
S6，將步驟S4、S5得到的二值圖進行累加，作為血管區(qū)域生長的種子圖像；
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于南開大學，未經(jīng)南開大學許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202111280337.9/2.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
