一种基于深度学习的甲襞微循环血管检测与分割方法技术

本发明专利技术公开了一种基于深度学习的甲襞微循环血管检测与分割方法，首先通过GAN(生成式对抗网络)得到大量的甲襞微循环血管图像样本，在以扩充后的样本做为训练集对YOLO以及U

【技术实现步骤摘要】
一种基于深度学习的甲襞微循环血管检测与分割方法


[0001]本专利技术属于辅助医学检测领域，提出了一种基于深度学习的甲襞微循环血管检测与分割方法。

技术介绍

[0002]甲襞微循环的状态是作为检查和诊断糖尿病等常见疾病的重要表征。因此甲襞微循环参数的精确定量化对于常见疾病的辅助诊断具有重要意义。
[0003]现有的临床应用只是微循环检测仪对人体甲襞微循环血管进行拍照采样，再经过医生人工地对得到的图像手动测量得到血管参数，进而进行形态上病理分析。
[0004]本专利主要研究在医疗诊断过程中，基于计算机视觉方法检测甲襞微循环的血管分布和血液循环通路，使用基于深度学习技术的甲襞微循环检测与分割算法得出血管分类、血管数量、管径长度等数据，进而辅助医学检测，提高诊断的效率和准确度。
[0005]目前国外有瑞典采用CAPIFLOW对甲襞微循环参数进行测量；国内也开展了计算机参与检测的研究技术。例如图像线性增强、平滑滤波、图像晃动校正等技术处理甲襞微循环血管图像；以及利用统计的、模糊的模板相关逻辑判断法,进行微循环血管边缘检测的技术。但现有的临床应用仍只是微循环检测仪对人体甲襞微循环血管进行拍照采样，再经过人工对得到的图像手动测量，进而进行形态上的病理分析。
[0006](1)采集成本高；现有技术需要人工采集大量甲襞微循环血管图像，由于医疗信息的保密性和样本采集区域的限制性，采集图像困难重重，因此消耗大量成本。
[0007](2)适用范围窄；现有技术只能检测静态的图像，对于晃动的微循环血管，由于伴有聚焦不好及照度变化图像处理后模糊不清，难以用于医疗诊断。
[0008](3)检测速度慢；现有技术需要人工对得到的医学图像进行血管参数的测量与分析，检测速度慢，并且人工统计与测量产生疲劳，易产生误差。

技术实现思路

[0009]本专利技术提供了一种基于深度学习的甲襞微循环血管检测与分割方法，首先通过GAN(生成式对抗网络)得到大量的甲襞微循环血管图像样本，在以扩充后的样本做为训练集对YOLO以及U
‑
Net神经网络进行训练，最后通过YOLO和U
‑
Net 神经网络可以将血管进行分类、得到血管数量、管径长度数据，进而辅助医学治疗。
[0010]本专利技术采用的技术方案如下：
[0011]一种基于深度学习的甲襞微循环血管检测与分割方法，包括如下步骤：
[0012]步骤1：基于GAN神经网络的甲襞微循环血管图像的样本扩充
[0013]基于生成式对抗网络(Generative Adversarial Network)为微循环医疗检测提供样本扩充。生成式对抗网络的过程如下：
[0014]将原始样本图像输入到判别器(Discriminator)；生成器(Generator)通过随机噪声自动产生新图片；判别器对新图像与真实图像组成的集合进行辨认并将辨认，经过动态
博弈最后生成新的样本图像，使得样本图像得到扩充。
[0015]使用甲襞微循环检测仪来采集少量不同职业、年龄、性别、生活作息的人们的甲襞微循环血管的图像；以采集到的少量血管图像作为训练集，通过GAN 神经网络随机生成大量极其相似的甲襞微循环血管图像。
[0016]步骤2：基于YOLO神经网络的微循环血管图像检测
[0017](2.1)标注：得到甲襞微循环血管图像后，以甲襞微循环血管图像作为训练集采取人工标注的方式，标注每个甲襞微循环血管图像是正常血管、疑似交叉的血管还是畸形血管；甲襞微循环血管图像数量越多，准确度越高。
[0018](2.2)训练：将标注好的样本投入到YOLO神经网络YOLO(You Only LookOnce一种基于深度神经网络的对象识别和定位算法)的训练当中。
[0019](2.3)使用：训练好的YOLO网络可以投入使用，算法可以直接输出检测到的血管图像以及统计各个类型血管的数量。
[0020]步骤3：基于U
‑
net网络的血管图像的分割
[0021](3.1)标注：得到大量甲襞血循环血管图像框图后，将其作为训练集采取人工标注的方式得到mask图(二值化图像)。
[0022](3.2)训练：使用甲襞微循环血管图像和mask图投入到U
‑
net神经网络中进行训练。
[0023](3.3)使用：将YOLO输出的各类别血管图像投入训练好的U
‑
net神经网络中，得到甲襞微循环血管的二值化图像。
[0024]步骤4：基于骨架法测量血管管径
[0025](4.1)采用骨架法提取得到血管图像的中心线。
[0026](4.2)用直线拟合的方法求出一段血管的斜率，并在中心线上随机取点做其垂线，并与血管边界交点，根据点距求得血管管径。
[0027]本专利技术的有益效果如下：
[0028](1)通过深度学习算法对甲襞微循环血管图像进行样本扩充，解决可用图像少的问题。
[0029](2)通过深度学习神经网络对甲襞微循环血管图像进行分割，处理效果更好，解决适用范围窄，图像处理后模糊不清的问题。
[0030](3)通过深度学习神经网络对甲襞微循环血管图像进行检测与分割，得到血管种类、血管数量、管径长度数据，解决人工测量速度慢，容易产生误差的问题，辅助医学诊断。
附图说明
[0031]图1为甲襞微循环血管图像检测与分割流程图。
[0032]图2为甲襞微循环血管图像进行扩充的GAN网络结构图。
[0033]图3为基于YOLO神经网络对微循环血管图像检测的算法结构图。
[0034]图4为甲襞微循环血管的二值化图像。
[0035]图5为yolo算法检测识别的甲襞微循环图像。
[0036]图6为单个被裁剪出的血管小图。
[0037]图7为血管分割结果图。
具体实施方式
[0038]以下结合技术方案和附图详细叙述本专利技术的具体实施例。
[0039]一种基于深度学习的甲襞微循环血管检测与分割方法，步骤如下：
[0040]步骤1：基于GAN神经网络的甲襞微循环血管图像的样本扩充
[0041]基于生成式对抗网络为微循环医疗检测提供样本扩充。生成式对抗网络的过程如下：
[0042]将原始样本图像输入到判别器；生成器通过随机噪声自动产生新图片；判别器对新图像与真实图像组成的集合进行辨认，经过动态博弈最后生成新的样本图像，使得样本图像得到扩充。
[0043]使用甲襞微循环检测仪来采集少量不同职业、年龄、性别、生活作息的人们的甲襞微循环血管的图像；以采集到的少量血管图像作为训练集，通过GAN 神经网络随机生成大量极其相似的甲襞微循环血管图像。
[0044]步骤2：基于YOLO神经网络的微循环血管图像检测
[0045](2.1)标注：得到甲襞微循环血管图像后，以甲襞微循环血管图像作为训练集采取人工标注的方式，标注每个甲襞本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的甲襞微循环血管检测与分割方法，其特征在于，包括如下步骤：步骤1：基于GAN神经网络的甲襞微循环血管图像的样本扩充；步骤2：基于YOLO神经网络的微循环血管图像检测；步骤3：基于U
‑
net网络的血管图像的分割；步骤4：基于骨架法测量血管管径。2.根据权利要求1所述的一种基于深度学习的甲襞微循环血管检测与分割方法，其特征在于：所述步骤1如下：将原始样本图像输入到判别器；生成器通过随机噪声自动产生新图片；判别器对新图像与真实图像组成的集合进行辨认并将辨认，经过动态博弈最后生成新的样本图像，使得样本图像得到扩充。3.根据权利要求1或2所述的一种基于深度学习的甲襞微循环血管检测与分割方法，其特征在于：所述步骤2如下：(1)标注：得到甲襞微循环血管图像后，以甲襞微循环血管图像作为训练集采取人工标注的方式，标注每个甲襞微循环血管图像是正常血管、疑似交叉的血管还是畸形血管；甲襞微循环血管图像数量越多，准确度越高；(2)训练：将标注好的样本投入到YOLO神经网络的训练当中；(3)使用：训练好的YOLO网络投入使用，算法直接输出检测到的血管图像以及统计各个类型血管的数量。4.根据权利要求1或2所述的一种基于深度学习的甲襞微循环血管检测与分割方法，其特征在于：所述步骤3如下：(1)标注：得到大量甲襞血循环血管图像框图后，将其作为训练集采取人工标注的方式得到mask图；(2)训练：使用甲襞微循环血管图像和mask图投入到U
‑
net神经网络中进行训练；(3)使用：将YOLO输出的各...

【专利技术属性】
技术研发人员：魏颖，李华洋，李苗，张皓云，
申请(专利权)人：东北大学，
类型：发明
国别省市：