一种基于3D-CNN的激光散斑衬比血流成像精度的提高方法技术

本发明专利技术提供了一种基于3D

【技术实现步骤摘要】
一种基于3D
‑
CNN的激光散斑衬比血流成像精度的提高方法


[0001]本专利技术涉及激光散斑衬比血流速度检测技术优化领域，具体地说是一种基于3D
‑
CNN的激光散斑衬比血流成像精度的提高方法。

技术介绍

[0002]体表微循环血流速度检测是临床上检测需求量较大的一项指标，被广泛应用于心脑血管健康状态评估，皮肤癌检测，皮肤烧伤程度评估，糖尿病足底溃疡的预防等领域。激光散斑衬比血流成像(Laser Speckle Contrast Imaging,LSCI)是一种可在无创条件下进行组织内部血流成像的技术，被广泛应用于临床上血流速度的检测，具有无创性、实时性、系统简单和低成本等优点。但该技术基于动态光散射的基本原理，利用各种近似模型逼近散射光自相关函数来获取血流速度，此过程受到静态散射体、散斑大小和曝光时间等众多不确定因素的影响，严重降低了模型精度，使其无法线性成像，对实际血流速度的测量存在很大误差，严重影响其临床应用。因此，提升血流速度测量的准确性是这一技术急需解决的关键问题。
[0003]目前，提升LSCI成像精度领域已经取得了一些成果，主要包括两大类：基于消除众多不确定因素的模型改进法和基于拟合算法的多重曝光法(Multi
‑
Exposure LSCI,MELSCI)。虽然前者基于静态散射体和散斑大小等因素对单次曝光散斑模型进行了优化，使其测量精度有了一定程度的提高，但模型仍然受其他无法使用数学方法消除的因素的影响，依然无法实现对血流速度的线性测量。MELSCI不再使用模型计算，而是通过使用不同曝光时间下的对比度进行拟合来获取血流速度，有效提高了LSCI的成像精度，成为一种可线性成像的技术。但此方法大大增加了系统成本，且拟合的过程也使得成像时间增加了两到三倍，降低了LSCI实时成像的能力，因此市面上主流的LSCI仪器仍然是基于单重曝光模型进行开发的。
[0004]近年来，基于人工智能(AI)的预测方法得到了广泛应用，也为LSCI测量精度的提高提供了新的手段。但目前的AI在此领域的应用较少且存在缺少数据连续性和进一步增加系统成本等问题。因此在AI的基础上提出一种新的方法在不增加系统成本和不降低系统实时性的基础上有效提高LSCI的测量精度，对使LSCI成为一种低成本、高精度的实时线性成像技术有着非常重要的意义。进一步的，在此基础上可将其应用于活体实验进行测试和优化，促进该技术的发展。

技术实现思路

[0005]本专利技术的目的在于提出一种基于3D
‑
CNN的激光散斑衬比血流成像精度的提高方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供以下技术方案：
[0007]一种基于3D
‑
CNN的激光散斑衬比血流成像精度的提高方法，该方法将目光放于低成本、系统简单且成像速度快的单次曝光LSCI上，由于MELSCI已被证明是一种线性血流测
量技术，因此该方法为，使用在时空特征提取领域具有优异性能的3D
‑
CNN，建立LSCI技术在单次曝光下的散斑动图和MELSCI测得的流速之间的映射模型；并使用旋转散射板实验数据进行训练来提高模型的准确性，并对其准确性进行测试。
[0008]具体原理为：首先将代表不同速度的旋转散射板散斑动图作为3D
‑
CNN的输入数据，由于散斑动图从时间序列上看属于多帧运动，从空间序列上看，每一帧散斑图像包含众多的散斑像素值信息，故速度预测的准确性取决于获取丰富的时间序列信息和单帧散斑图像的空间像素值信息；因此利用3D
‑
CNN中的三维卷积核对该三维像素矩阵进行梯度提取，并通过卷积、池化和全连接组成的网络进行特征提取和维度变化，分别得到各散斑动图代表的血流速度预测值；最后输出该散斑动图的血流速度预测值，完成预测；该方法实现了对于散斑动图对应速度的准确测量，有效提高了LSCI的测量精度。
[0009]具体包括五个部分，分别为：旋转散射板实验装置、数据预处理、散斑图像行为特征分析、模型参数设置和训练以及模型准确性检测，其中旋转散射板实验装置由伺服电机、均匀漫反射板和磨砂玻璃反射片组成；实验时电机以一定的角速度驱动漫反射板在毛玻璃后转动，模拟了人体组织中血红细胞在表皮下流动的情景；在电机的转速(角速度)已知的情况下，漫反射板上的线速度为角速度与该点半径的乘积，因此在该实验装置获得的散斑图中，每一点的线速度都固定可求，为一定量数据，将其作为模型的训练目标可以实现对模型的量化评估。该实验装置共设置10个角速度
[0010]所述数据处理具体包括以下内容：
[0011]使用32*32的正方形滑窗自上而下，由第32个像素到第320个像素，以32的步长进行滑动来改变半径大小，以此实现数据增强。每个像素代表的半径长度为0.037mm，可获得9个半径，且每个半径采集17组数据，因此可获得9*17*10＝1530个数据用于训练。将上述数据按照训练集：验证集：测试集＝7：1：2划分。
[0012]所述散斑图像行为特征分析具体包括以下内容：
[0013]单帧散斑图像的像素值包含丰富的空间信息，且固定位置的像素值随时间的变化规律与速度密切相关。这意味着对于一幅散斑动图运动速度的预测不仅与单帧的空间像素值有关，更与帧间固定位置像素值的变化量有关。像素值变化量越大，相应的动图散斑变化越快，即血流速度越快。因此，速度的预测与散斑动图的空间时间特征具有很强的相关性，对这些特征进行全面深入学习，可以更好地挖掘散斑动图的时空动态特征。
[0014]所述模型参数设置和训练具体包括以下内容：
[0015]本专利技术中的3D
‑
CNN网络为五层，第一层为卷积层C1，直接接受输入的散斑数据，使用3*3*5的卷积核；第二层为最大池化层P2，池化核为2*2*2；第三层为卷积层C3，使用3*3*5的卷积核；第四层为最大池化层P4，池化核为2*2*2；第五层为卷积层C5，使用3*3*3的卷积核；第六层为全连接层F6，将C5输出的三维特征图重建为单个速度数据，输入维数为128，输出维数为1；此模型的卷积层激活函数为ReLU函数，优化器使用Adam，加快收敛速度，Batch大小为32，初始学习率为0.001，损失函数为MSE函数；采用MSE和MAPE作为评价指标。
[0016]所述模型准确性检测具体包括以下内容：
[0017]使用了滑窗移动至97
‑
128位置时的散斑图像作为预测数据。此位置基本居于整个散斑动图的中间位置，对应半径大小约为(97+16)*0.037＝4.2mm，线速度随角速度的变化程度适中且整体覆盖范围较广，为4.2*0.047～4.2*0.952＝0.2mm/s～4.0mm/s，共10个速
度，可有效检测3D
‑
CNN模型的训练程度和准确性。
[0018]所述旋转散射板体模实验装置得到的LSCI图像均为320*32*1024的散本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于3D
‑
CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，首先将代表不同速度的旋转散射板散斑动图作为3D
‑
CNN的输入数据，由于散斑动图从时间序列上看属于多帧运动，从空间序列上看，每一帧散斑图像包含众多的散斑像素值信息，故速度预测的准确性取决于获取丰富的时间序列信息和单帧散斑图像的空间像素值信息；因此利用3D
‑
CNN中的三维卷积核对该三维像素矩阵进行梯度提取，并通过卷积、池化和全连接组成的网络进行特征提取和维度变化，分别得到各散斑动图代表的血流速度预测值；最后输出该散斑动图的血流速度预测值，完成预测；具体包括五个部分，分别为：旋转散射板实验装置、数据预处理、散斑图像行为特征分析、模型参数设置和训练以及模型准确性检测，其中旋转散射板实验装置由伺服电机、均匀漫反射板和磨砂玻璃反射片组成；实验时电机以一定的角速度驱动漫反射板在毛玻璃后转动，模拟了人体组织中血红细胞在表皮下流动的情景；在电机的转速(角速度)已知的情况下，漫反射板上的线速度为角速度与该点半径的乘积，因此在该实验装置获得的散斑图中，每一点的线速度都固定可求，为一定量数据，将其作为模型的训练目标可以实现对模型的量化评估。2.根据权利要求1所述的基于3D
‑
CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，所述数据处理具体包括以下内容：使用32*32的正方形滑窗自上而下，由第32个像素到第320个像素，以32的步长进行滑动来改变半径大小，以此实现数据增强。每个像素代表的半径长度为0.037mm，可获得9个半径，且每个半径采集17组数据，因此可获得9*17*10＝1530个数据用于训练。将上述数据按照训练集：验证集：测试集＝7：1：2划分。3.根据权利要求1所述的基于3D
‑
CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，所述散斑图像行为特征分析具体包括以下内容：单帧散斑图像的像素值包含丰富的空间信息，且固定位置的像素值随时间的变化规律与速度密切相关。这意味着对于一幅散斑动图运动速度的预测不仅与单帧的空间像素值有关，更与帧间固定位置像素值的变化量有关。像素值变化量越大，相应的动图散斑变化越快，即血流速度越快。因此，速度的预测与散斑动图的空间时间特征具有很强的相关性，对这些特征进行全面深入学习，可以更好地挖掘散斑动图的时空动态特征。4.根据权利要求1所述的基于3D
‑
CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，所述模型参数设置和训练具体包括以下内容：本发明中的3D
‑
CNN网络为五层，第一层为卷积...

【专利技术属性】
技术研发人员：孙珅，郝晓琪，林岚，吴水才，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：