一种基于血液流动特性的透明型血管图像分割方法技术

本发明专利技术涉及一种基于血液流动特性的透明型血管图像分割方法，包括如下步骤：分段拍摄活体模式动物血液流动视频；对标准血管结构二值图以及对应的平均光流场、光流可视化图像进行特征提取，训练机器学习分类模型；计算局部血液流动视频中图像序列平均光流场，并将平均光流场可视化；使用神经网络分割光流可视化图像，累加视频图像序列的背景减除结果，将两步处理结果相加，作为区域生长种子图像；对光流可视化图像、平均光流场、血管结构种子图像进行特征提取，使用训练好的机器学习分类模型进行区域生长运算，得到局部血管结构二值图；进行血管结构图像拼接，得到全局血管结构二值图像。该方法可以简便、快速地获得连通性强、完整性高的血管结构。性高的血管结构。性高的血管结构。

【技术实现步骤摘要】
一种基于血液流动特性的透明型血管图像分割方法


[0001]本专利技术涉及显微图像处理领域，具体涉及一种基于活体模式动物血液流动特性，实现简便、快速获取连通性强、完整性高的透明型血管图像的分割方法。

技术介绍

[0002]在活体模式动物中准确检测在体血管位置，提供显微视觉反馈，有利于进一步的显微操作和机理研究。血管检测的研究方式主要是视网膜显微图像和荧光血管图像，这类图像边缘明显、纹理相对清晰，主流的血管检测方法对这类图像有较好的效果。然而，部分活体模式动物的血管在显微镜下呈透明状、血管连通性差、边缘模糊、成像信噪比低，现有常规血管检测方法并不适用于这些活体模式动物的血管检测。
[0003]目前，人们多使用共聚焦显微镜拍摄模式动物透明型血管的荧光显微图像，以进一步研究血管自动分割方法。然而，荧光显微图像的拍摄过程极其复杂、耗时，图像质量容易出现不连续、模糊等问题；而且，由于共聚焦显微镜的激光强度高，活体模式动物在拍摄过程中很容易死亡，无法进行后续的显微操作。因此，针对显微镜下模式动物难以识别的透明型在体血管，如何在不伤害活体模式动物的基础上，获得边缘清晰、连通性强的完整血管拓扑结构，是血管图像分割领域亟需解决的技术问题。

技术实现思路

[0004]基于现有利用共聚焦显微镜拍摄方式获取模式动物透明型在体血管荧光显微图像技术，存在的上述缺陷和不足，本专利技术提供了一种基于血液流动特性的透明型血管图像分割方法，该方法可以在不伤害模式动物的基础上，同时免去使用荧光显微镜拍摄血管的繁琐工作，直接通过活体模式生物的血液流动视频，计算血细胞的运动连续性特征，继而简便、快速地获得连通性强、完整性高的血管结构。
[0005]本专利技术解决上述技术问题所采用的技术方案是：一种基于血液流动特性的透明型血管图像分割方法，包括如下步骤：
[0006]S1，通过分段显微拍摄的方式，获取具有透明型血管结构的活体模式动物全局血液流动视频；
[0007]S2，手动获取活体模式动物局部标准血管结构二值图真值，使用稠密光流算法，计算与所述标准血管结构二值图真值相对应的血液流动视频中任意相邻两帧图像之间的瞬时光流场，对视频图像序列中所有瞬时光流场取平均，获得平均光流场，并将平均光流场可视化，获得光流可视化图像；输入得到的平均光流场，提取每个像素点的光流连续性特征；输入得到的光流可视化图像，提取每个像素点的灰度特征；输入标准血管结构二值图真值，提取每个像素点的血管连续性特征；将得到的每个像素点的光流连续性特征、血管连续性特征以及灰度特征组成特征向量序列，作为训练数据集，训练机器学习分类模型；
[0008]S3，使用稠密光流算法，计算其中一段局部血液流动视频中任意相邻两帧图像之间的瞬时光流场，对视频图像序列中所有瞬时光流场取平均，获得平均光流场，并将平均光
流场可视化，获得光流可视化图像；
[0009]S4，利用DenseUNet神经网络分割步骤S3处理得到的光流可视化图像，得到与光流可视化图像相对应的血管结构二值图初步结果；
[0010]S5，采用背景减除法处理步骤S3中的视频图像序列，并将结果累加，获得含部分毛细血管结构的血管结构二值图；
[0011]S6，将步骤S4、S5得到的二值图进行累加，作为血管区域生长的种子图像；
[0012]S7，利用步骤S2中的特征提取方法，对步骤S3处理得到的光流可视化图像、平均光流场，以及步骤S6处理得到的血管结构种子图像，进行特征提取，计算当前所有候选点的灰度特征、血管连续性特征以及光流连续性特征，组成特征向量序列，使用步骤S2训练好的机器学习分类模型进行区域生长运算，更新血管结构种子图像；其中：区域生长未结束时，重复该步骤直至区域生长结束，得到血管结构二值图像；
[0013]S8，采用步骤S3至S7分别处理步骤S1拍摄得到的全局血液流动视频中其它局部血液流动视频，分别得到与该段视频相对应的血管结构二值图；
[0014]S9，对步骤S7以及步骤S8处理得到的血管结构二值图，采用基于SIFT特征提取的全局血管结构图像拼接，最后得到活体模式动物的全局血管结构二值图像。
[0015]进一步地，步骤S2、步骤S3中，所述稠密光流算法为Fameback光流算法；光流可视化图像通过Munsell颜色系统处理得到。
[0016]进一步地，步骤S2中，平均光流场中每个像素点I
i，j
的光流连续性特征分别包括直接光流连续性特征(f
i
)与径向光流连续性特征(f
r
)；血管结构二值图中，每个像素点I
i，j
的血管连续性特征分别包括直接血管连续性特征(c
i
)与径向血管连续性特征(c
r
)；其中：
[0017]像素点I
i，j
直接光流连续性特征(f
i
)提取方法为：
[0018]输入平均光流场，计算当前像素点所在的八邻域内，当前像素点对应的光流矢量和血管像素点对应的光流矢量的相似性，并映射到一个概率值；若在八邻域中，当前像素点的矢量与血管像素点的矢量的相似性P
i
(I
i，j
)大于阈值T
i
，则f
i
(I
i，j
)＝1，否则等于0；具体计算公式如下：
[0019][0020][0021][0022][0023][0024]其中：T
cos
表示光流矢量的夹角阈值；T
speed
表示光流矢量的速度阈值；k表示八邻域；Norm
i
表示直接归一化常数；T
i
表示直接光流相似性概率阈值；isVessel(I
i，j
)判断像素点I
i，j
是否是血管像素点，1表示是，0表示不是；isSimilar(a，b)判断a和b是否相似，1表示相似，0表示不相似；M
ij
表示当前像素点I
i，j
所在的八邻域内，与当前像素点I
i，j
所对应的光流矢量相似的血管像素点所对应的光流矢量的数量；P
i
(I
i，j
)表示当前像素点I
i，j
所在八邻域中，当前像素点I
i，j
的光流矢量与血管像素点的光流矢量的相似性；
[0025]像素点I
i，j
径向光流连续性特征(f
r
)提取方法为：
[0026]输入平均光流场，计算当前像素点所在的圆形邻域内，当前像素点对应的光流矢量和血管像素点对应的光流矢量的相似性，并映射到一个概率值；若在圆形邻域中，当前像素点的矢量与血管像素点的矢量的相似性P
r
(I
i，j
)大于阈值T
r
，则f
r
(I
i，j
)＝1，否则等于0；具体计算公式如下：...

【技术保护点】

【技术特征摘要】
1.一种基于血液流动特性的透明型血管图像分割方法，其特征在于，包括如下步骤：S1，通过分段显微拍摄的方式，获取具有透明型血管结构的活体模式动物全局血液流动视频；S2，获取活体模式动物局部标准血管结构二值图真值，使用稠密光流算法，计算与所述标准血管结构二值图真值相对应的血液流动视频中任意相邻两帧图像之间的瞬时光流场，对视频图像序列中所有瞬时光流场取平均，获得平均光流场，并将平均光流场可视化，获得光流可视化图像；输入得到的平均光流场，提取每个像素点的光流连续性特征；输入得到的光流可视化图像，提取每个像素点的灰度特征；输入标准血管结构二值图真值，提取每个像素点的血管连续性特征；将得到的每个像素点的光流连续性特征、血管连续性特征以及灰度特征组成特征向量序列，作为训练数据集，训练机器学习分类模型；S3，使用稠密光流算法，计算步骤S1其中一段局部血液流动视频中任意相邻两帧图像之间的瞬时光流场，对视频图像序列中所有瞬时光流场取平均，获得平均光流场，并将平均光流场可视化，获得光流可视化图像；S4，利用DenseUNet神经网络分割步骤S3处理得到的光流可视化图像，得到与光流可视化图像相对应的血管结构二值图初步结果；S5，采用背景减除法处理步骤S3中的视频图像序列，并将结果累加，获得含部分毛细血管结构的血管结构二值图；S6，将步骤S4、S5得到的二值图进行累加，作为血管区域生长的种子图像；S7，利用步骤S2中的特征提取方法，对步骤S3处理得到的光流可视化图像、平均光流场以及步骤S6处理得到的血管结构种子图像，进行特征提取，计算当前所有候选点的灰度特征、血管连续性特征以及光流连续性特征，组成特征向量序列，使用步骤S2训练好的机器学习分类模型进行区域生长运算，更新血管结构种子图像；其中：区域生长未结束时，重复该步骤直至区域生长结束，得到血管结构二值图像；S8，采用步骤S3至S7分别处理步骤S1拍摄得到的全局血液流动视频中其它局部血液流动视频，分别得到与该段视频相对应的血管结构二值图；S9，对步骤S7以及步骤S8处理得到的血管结构二值图，采用基于SIFT特征提取的全局血管结构图像拼接，最后得到活体模式动物的全局血管结构二值图像。2.根据权利要求1所述的一种基于血液流动特性的透明型血管图像分割方法，其特征在于，步骤S2、步骤S3中，所述稠密光流算法为Fameback光流算法；光流可视化图像通过Munsell颜色系统处理得到。3.根据权利要求1所述的基于血液流动特性的透明型血管图像分割方法，其特征在于，步骤S2中，平均光流场中每个像素点I
i，j
的光流连续性特征分别包括直接光流连续性特征(f
i
)与径向光流连续性特征(f
r
)；血管结构二值图中，每个像素点I
i，j
的血管连续性特征分别包括直接血管连续性特征(c
i
)与径向血管连续性特征(c
r
)；其中：像素点I
i，j
直接光流连续性特征(f
i
)提取方法为：输入平均光流场，计算当前像素点所在的八邻域内，当前像素点对应的光流矢量和血管像素点对应的光流矢量的相似性，并映射到一个概率值；若在八邻域中，当前像素点的矢量与血管像素点的矢量的相似性P
i
(I
i，j
)大于阈值T
i
，则f
i
(I
i，j
)＝1，否则等于0；具体计算公式如下：
其中：T
cos
表示光流矢量的夹角阈值；T
speed
表示光流矢量的速度阈值；k表示八邻域；Norm
i
表示直接归一化常数；T
i
表示直接光流相似性概率阈值；isVessel(I
i，j
)判断像素点I
i，j
是否是血管像素点，1表示是，0表示不是；isSimilar(a，b)判断a和b是否相似，1表示相似，0表示不相似；M
ij
表示当前像素点I
i，j
所在的八邻域内，与当前像素点I
i，j
所对应的光流矢量相似的血管像素点所对应的光流矢量的数量；P
i
(I
i，j
)表示当前像素点I
i，j
所在八邻域中，当前像素点I
i，j
的光流矢量与血管像素点的光流矢量的相似性；像素点I
i，j
径向光流连续性特征(f
r
)提取方法为：输入平均光流场，计算当前像素点所在的圆形邻域内，当前像素点对应的光流矢量和血管像素点对应的光流矢量的相似性，并映射到一个概率值；若在圆形邻域中，当前像素点的矢量与血管像素点的矢量的相似性P
r
(I
i，j
)大于阈值T
r
，则f
r
(I
i，j
)＝1，否则等于0；具体计算公式如下：计算公式如下：计算公式如下：计算公式如下：计算公式如下：其中：k表示圆形邻域；Norm
r
表示径向归一化常数；T
r
表示径向光流相似性概率阈值；M
ij
表示当前像素点I
i，j
所在的圆形邻域内，与...

【专利技术属性】
技术研发人员：孙明竹，赵新，王一雯，李璐，
申请(专利权)人：南开大学，
类型：发明
国别省市：