一种基于目标识别的微循环血流速度测量方法及测量系统技术方案

本发明专利技术公开了一种基于目标识别的微循环血流速度测量方法，包括以下步骤：获取训练样本数据，所述训练样本数据包括训练集中每一张图像上均标注的所有微循环的位置信息；根据所述训练样本数据训练神经网络模型；获取待测微循环动态视频，将其按照时序分解成微循环图片序列，将序列中的某一帧图像输入至所述神经网络模型，获得图像上所有微循环的位置信息；根据微循环的位置信息，提取出微循环在待测微循环动态视频中对应的时空图，利用时空图计算微循环的流速。本发明专利技术可解决激光多普勒方法无法实现高时间分辨率的问题；解决激光散斑速度测量法对复杂的生物组织无法精确定标的问题；解决全视场内多个微循环的速度同步测量问题。

A Microcirculation Blood Flow Velocity Measurement Method and System Based on Target Recognition

【技术实现步骤摘要】
一种基于目标识别的微循环血流速度测量方法及测量系统
本专利技术属于血液流速测量和图像处理
，特别涉及一种微循环血流速度测量方法及测量系统。
技术介绍
微循环是指微动脉和微静脉之间的血液循环。微循环功能障碍或微循环血流灌注量减少时，营养物质和氧气不能满足组织氧化代谢的需要，同时组织器官中的废物不能及时排出，可导致组织器官功能不全或衰竭，是许多疾病发生和发展的重要原因。因此微循环的血流速度测量具有重要意义。CN201510339061.5公开了一种判别血红细胞含氧量的光声多普勒血液流速测量方法，采用多路经强度调制频率编码的不同波长激光束聚焦照明血管的同一个区域，利用流体中的颗粒对入射光的散射造成的多普勒频移来计算流体速度。该方法本质上基于单个点进行测速。单点激光多普勒测量技术并非全场的成像技术，若需要获得全场血流速度，需要外加扫描装置进行多点扫描成像，才能产生一个二维速度分布图像，因此，时间分辨率较低。CN201410438659.5公开了一种基于频域激光散斑成像的血流速度测量方法，当激光照射到皮肤表面时，动态的红细胞的散射光与来自其周围激光干涉，形成散斑，测量时通过记录散斑强度信号的变化实现对测量部位血流的监测。然而，由于散射粒子流速模型和相干光散射的复杂性，不同生物组织可能服从不同的流速分布模型,使得目前激光散斑技术只能对活体血流速度进行相对量的测量，而绝对流速的测量，必须依靠精确流速模型实验的标定，仍旧是一个技术难点。另外，CN201410185108.2公开的基于时空图像的流体运动矢量估计方法也在血流速度测量领域有所应用，但此类方法仅适用于单个流体的流速测量，并不适用于生物体的全视场多个微循环流速测量。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于目标识别的全场微循环血流速度测量方法，可解决激光多普勒方法无法实现高时间分辨率的问题；解决激光散斑速度测量法对复杂的生物组织无法精确定标的问题；解决全视场内多个微循环的速度同步测量问题。一种基于目标识别的循环血流速度测量方法，具体包括以下步骤：S1：获取训练样本数据，所述训练样本数据包括训练集中每一张图像上均标注的所有微循环的位置信息；S2：根据所述训练样本数据训练神经网络模型；S3：获取待测微循环动态视频，将其按照时序分解成微循环图片序列，将序列中的某一帧图像输入至所述神经网络模型，获得图像上所有微循环的位置信息；S4：根据微循环的位置信息，提取出微循环在待测微循环动态视频中对应的时空图，利用时空图计算微循环的流速。进一步地，遍历图像中所有被识别出来的微循环，得到所有的微循环的血流速度，实现全场微循环血流速度测量。下面针对每一个步骤进行细化，或者增加可替代方案。进一步地，步骤S1中训练样本数据的具体过程为：S11：收集大量微循环图片作为训练样本，将图片集分为训练集及测试集；S12：训练样本数据中每一张图像上均标注了其中所有微循环的位置信息。进一步地，步骤S2中根据训练样本数据训练神经网络模型具体过程为：S21：将微循环的训练数据集图片分组输入神经网络；S22：将神经网络的输出与该图片中所有微循环的位置信息进行对比，根据对比结果，调整神经网络的各神经元的输入权重；S23：重复步骤S21-S22并调整神经元的输入权重，直到神经网络模型对测试集的预测结果的准确率达到预期；S24：停止训练。进一步地，步骤S3中获得图像上所有微循环的位置信息，步骤为：S31：将待测微循环动态视频分解为时序微循环图片序列；S32：将其中的某一帧图片输入至神经网络模型；S33：神经网络模型输出包含所有微循环位置信息的图片。进一步地，步骤S4，根据微循环的位置信息计算微循环的流速，步骤为：S41：对分割出的第一个微循环设定一条监测线，监测线取微循环的中心线；S42：设定监测线的线宽，取监测线的起点到终点的像素值为一个一维数组；S43：在待测微循环动态视频分解的时序微循环图片序列中，对每一帧微循环图片对应的监测线位置取出一个一维数组；S44：将取出的多个一维数组按时间顺序组成一个二维数组，该二维数组可转化为一张二维灰度图片。即为时空图，其横坐标为时间，纵坐标为位置。S45：将时空图中红细胞的轨迹拟合为直线，直线的斜率即为流体的速度，斜率的正负表示流动的方向。一种基于目标识别的微循环血流速度测量系统，包括：训练数据获取模块，用于获取训练样本数据，所述训练样本数据包括训练集中每一张图像上均标注的所有微循环的位置信息；模型训练模块，用于根据所述训练样本数据训练神经网络模型；微循环位置信息获取模块，用于获取待测微循环动态视频，将其按照时序分解成微循环图片序列，将序列中的某一帧图像输入至所述神经网络模型，获得图像上所有微循环的位置信息；单一微循环测速模块，用于根据微循环的位置信息，提取出微循环在待测微循环动态视频中对应的时空图，利用时空图计算微循环的流速。优选的，所述基于目标识别的微循环血流速度测量系统还包括全场微循环测速模块，用于遍历图像中所有被识别出来的微循环，得到所有的微循环的血流速度，实现全场微循环血流速度测量。优选的，所述训练数据获取模块中获取训练数据，方法是：收集大量微循环图片作为训练样本，将图片集分为训练集及测试集；训练样本数据每一张图像上均标注了其中所有微循环的位置信息。优选的，所述模型训练模块中训练神经网络模型，方法是：将微循环的训练数据集图片分组输入神经网络；将神经网络的输出与该图片中所有微循环的位置信息进行对比，根据对比结果，调整神经网络的各神经元的输入权重；重复上述步骤并调整神经元的输入权重，直到神经网络模型对测试集的预测结果的准确率达到预期后停止训练。优选的，所述微循环位置信息获取模块中获得图像上所有微循环的位置信息，方法是：将待测微循环动态视频分解为时序微循环图片序列；将其中的某一帧图片输入至神经网络模型；神经网络模型输出包含所有微循环位置信息的图片。优选的，所述单一微循环测速模块中利用时空图计算微循环的流速，计算方法是：对分割出的第一个微循环设定一条监测线，监测线取微循环的中心线；设定监测线的线宽，取监测线的起点到终点的像素值为一个一维数组；在待测微循环动态视频分解的时序微循环图片序列中，对每一帧微循环图片对应的监测线位置取出一个一维数组；将取出的多个一维数组按时间顺序组成一个二维数组，该二维数组可转化为一张二维灰度图片，即为时空图，其横坐标为时间，纵坐标为位置。将时空图中红细胞的轨迹拟合为直线，直线的斜率即为流体的速度，斜率的正负表示流动的方向。本专利技术与现有技术相比，具有如下优点和有益效果：1、本专利技术由于采用了神经网络的目标识别方法，可自动分割图像中单个微循环，针对每个微循环同步进行流速测量，因此测量速度快。2、本专利技术由于是通过图片处理来获得微循环的位置信息，因此可同时对全视场内多个微循环的速度进行同步测量。3、本专利技术包含的处理模块少，测量装置要求简单，因此成本较低，实现简单4、本专利技术基于深度学习的目标识别方法，通过深度神经网络识别和分割微循环，对于复杂的图像场景具有适用性，具有广阔的运用前景。附图说明图1是本专利技术流程图。图2是本实施例一个具体实例图。其中1-微循环数据集；2-待测微循环动态视频；3-神经网络模型；4-包含位本文档来自技高网...

【技术保护点】
1.一种基于目标识别的微循环血流速度测量方法，其特征在于，所述方法包括以下步骤：S1：获取训练样本数据，所述训练样本数据包括训练集中每一张图像上均标注的所有微循环的位置信息；S2：根据所述训练样本数据训练神经网络模型；S3：获取待测微循环动态视频，将其按照时序分解成微循环图片序列，将序列中的某一帧图像输入至所述神经网络模型，获得图像上所有微循环的位置信息；S4：根据微循环的位置信息，提取出微循环在待测微循环动态视频中对应的时空图，利用时空图计算微循环的流速。

【技术特征摘要】
1.一种基于目标识别的微循环血流速度测量方法，其特征在于，所述方法包括以下步骤：S1：获取训练样本数据，所述训练样本数据包括训练集中每一张图像上均标注的所有微循环的位置信息；S2：根据所述训练样本数据训练神经网络模型；S3：获取待测微循环动态视频，将其按照时序分解成微循环图片序列，将序列中的某一帧图像输入至所述神经网络模型，获得图像上所有微循环的位置信息；S4：根据微循环的位置信息，提取出微循环在待测微循环动态视频中对应的时空图，利用时空图计算微循环的流速。2.根据权利要求1所述的基于目标识别的微循环血流速度测量方法，其特征在于，遍历图像中所有被识别出来的微循环，得到所有的微循环的血流速度，可实现全场微循环血流速度测量。3.根据权利要求1所述的基于目标识别的微循环血流速度测量方法，其特征在于，步骤S1中获取训练样本数据的具体过程为：S11：收集大量微循环图片作为训练样本，将图片集分为训练集及测试集；S12：在训练样本数据中每一张图像上标注其中所有微循环的位置信息。4.根据权利要求3所述的基于目标识别的全场微循环血流速度测量方法，其特征在于，所述步骤S2具体为：S21：将微循环的训练样本分组输入神经网络；S22：将神经网络的输出与该图像预先标注的微循环的位置信息进行对比，根据对比结果，调整神经网络的各神经元的输入权重；S23：重复步骤S21-S22并调整神经元的输入权重，直到神经网络模型对测试集的预测结果的准确率达到预期；S24：停止训练。5.根据权利要求1所述的基于目标识别的微循环血流速度测量方法，其特征在于，所述步骤S3具体为：S31：将待测微循环动态视频分解为时序微循环图片序列；S32：将其中的某一帧图片输入至神经网络模型；S33：神经网络模型输出包含所有微循环位置信息的图片。6.根据权利要求4所述的基于目标识别的微循环血流速度测量方法，其特征在于，所述步骤S4具体为：S41：对分割出的第一个微循环设定一条监测线，监测线取微循环的中心线；S42：设定监测线的线宽，取监测线的起点到终点的像素值为一个一维数组；S43：在待测微循环动态视频分解的时序微循环图片序列中，对每一帧微循环图片对应...

【专利技术属性】
技术研发人员：钟金钢，叶飞，
申请(专利权)人：暨南大学，
类型：发明
国别省市：广东,44