基于局部增广空间测地线生物医学标记方法技术

一种基于局部增广空间测地线生物医学标记方法，在U

【技术实现步骤摘要】
基于局部增广空间测地线生物医学标记方法


[0001]本专利技术涉及计算机视觉领域，具体涉及一种基于局部增广空间测地线生物医学标记方法。

技术介绍

[0002]随着生物医学图像的广泛应用，特别是在血管结构的研究和临床诊断中，对自动计算血管生物医学标记的需求不断增加。然而，传统的手工标记和计算方法通常耗时耗力且容易受到操作者主观因素的影响，因此需要一种基于计算机辅助的方法来提高效率和准确性。
[0003]近年来，深度学习技术，尤其是基于神经网络的方法，已在医学图像处理领域取得了显著的成果。Harry Pratt等人(参考文献：P.Harry,W.Bryan,K.Jae,et al.Automatic Detection and Distinction of Retinal Vessel Bifurcations and Crossings in Colour Fundus Photography[J].Journal of Imaging,2017,4(1):4)提出通过监督学习来进行分类的方法，使用CNN卷积神经网络来对眼底图像进行分叉交叉点的自动检测和分类。但是这种基于CNN的提取方法只能关注图像的局部的特征，忽略了图像的全局特征。并且仅依靠基于CNN提取出的特征点，容易发生泄露问题，导致图像分割的准确度不稳定。2016年Ronneberger等提出了Unet(参考文献：O.Ronneberger,P.Fischer,and T.Brox,“U
‑
net:convolutional networks for biomedical image segmentation,”in International Conference on Medical Image Computing and Computer
‑
Assisted Intervention,2015,pp.234
–
241.)网络，该网络是一个非常轻量的网络，而且能够融合不同层级的特征，能够在样本上进行端到端的自动特征学习和预测。医学图像本身的固定化结构和小样本性，使得U
‑
Net网络成为医学图像特征提取的最佳模型，但U
‑
Net网络在提取时，由于图像噪声和干扰问题，可能会造成检测时关键点的缺失。
[0004]此外，Y.Rouchdy和L.D.Cohen提出了测地线投票算法(参考文献：Y.Rouchdy and L.D.Cohen,“Geodesic voting for the automatic extraction of tree structures.Methods and applications,”in Computer Vision and Image Understanding,Volume,2013,117(10):1453
‑
1467)作为一种用于提取树形管状结构的有效方法，该方法在进行应用时需要人工给出源点，因此在细小分支检测上稳定性不高。

技术实现思路

[0005]本专利技术为了克服以上技术的不足，提供了一种对关键点进行更准确的检测并计算其他血管生物医学标记的方法。
[0006]本专利技术克服其技术问题所采用的技术方案是：
[0007]一种基于局部增广空间测地线生物医学标记方法，包括如下步骤：
[0008]a)获取视网膜眼底图像数据集T，其中T
i
为第i张视网膜眼底图像，i∈{1,2,...,n1}，n1为视网膜眼底图像总数；
[0009]b)对视网膜眼底图像数据集T进行数据增强操作，得到增强后的视网膜眼底图像数据集T
′
，T
i
′
为第i张增强后的视网膜眼底图像，i∈{1,2,...,n2}，n2为增强后的视网膜眼底图像总数；
[0010]c)将增强后的视网膜眼底图像数据集T
′
划分为训练集train、验证集val、测试集test；
[0011]d)将训练集train中的增强后的视网膜眼底图像输入到U
‑
Net网络中，对U
‑
Net网络进行训练，得到训练后的U
‑
Net网络，将测试集test中第l张增强后的视网膜眼底图像T
l
′
输入到训练后的U
‑
Net网络中，得到血管关键点图I，l∈{1,2,...,n3}，n3为测试集test中增强后的视网膜眼底图像总数，从关键点图I中得到关键点集合D及关键点坐标集合，D＝{x1,x2,...,x
j
,...,x
N
}，其中x
j
为血管关键点图I中第j个关键点，j∈{1,2,...,N}，N为关键点图I中关键点总数，其中，为第j个关键点x
j
的坐标，为第j个关键点x
j
的横坐标，为第j个关键点x
j
的纵坐标，Ω为图像域；
[0012]e)将关键点集合D作为源点集输入到局部半径增广测地线投票算法中，计算得到测地线路径集合{R1,R2,...,R
j
,...,R
N
}；
[0013]f)计算总的测地线密度μ
t
(x
i
,r)；
[0014]g)根据总的测地线密度μ
t
(x
i
,r)计算测地线空间密度以及总的测地线密度的最大值
[0015]h)计算关键点图I中视网膜血管半径和血管中心线
[0016]i)计算得到血管端点集C及分叉交叉点集合
[0017]j)得到由视网膜血管半径、血管中心线、血管端点集C及分叉交叉点集合构成的视网膜血管生物医学标记。
[0018]优选的，步骤a)中从血管关键点公开数据集DRIVE中选取40张视网膜眼底图像组成视网膜眼底图像数据集T。
[0019]进一步的，步骤b)中使用python中的OpenCV包对视网膜眼底图像数据集T依次进行翻转、旋转、对比度变化操作，得到增强后的视网膜眼底图像数据集。优选的，步骤c)中将增强后的视网膜眼底图像数据集T
′
按照7:2:1的比例划分为训练集train、验证集val、测试集test。
[0020]进一步的，步骤e)包括如下步骤：
[0021]e
‑
1)建立以关键点图I图像域Ω中第i个像素点x
i
为中心，以r为半径的球体，i∈{1,2,...,Q}，Q为关键点图I的像素点总数，r∈[0,r
max
]，r
max
为半径最大值；
[0022]e
‑
2)通过公式计算得到势函数P(x
i
,r)，式中ω为实正常数权重，λ1与λ2均为正实数权重，β为实正常数，m(x
i
,r)为在关键点图I图像域Ω本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部增广空间测地线生物医学标记方法，其特征在于，包括如下步骤：a)获取视网膜眼底图像数据集T，其中T
i
为第i张视网膜眼底图像，i∈{1,2,...,n1}，n1为视网膜眼底图像总数；b)对视网膜眼底图像数据集T进行数据增强操作，得到增强后的视网膜眼底图像数据集T
′
，T
i
′
为第i张增强后的视网膜眼底图像，i∈{1,2,...,n2}，n2为增强后的视网膜眼底图像总数；c)将增强后的视网膜眼底图像数据集T
′
划分为训练集train、验证集val、测试集test；d)将训练集train中的增强后的视网膜眼底图像输入到U
‑
Net网络中，对U
‑
Net网络进行训练，得到训练后的U
‑
Net网络，将测试集test中第l张增强后的视网膜眼底图像T
l
′
输入到训练后的U
‑
Net网络中，得到血管关键点图I，l∈{1,2,...,n3}，n3为测试集test中增强后的视网膜眼底图像总数，从关键点图I中得到关键点集合D及关键点坐标集合D＝{x1,x2,...,x
j
,...,x
N
}，其中x
j
为血管关键点图I中第j个关键点，j∈{1,2,...,N}，N为关键点图I中关键点总数，其中，为第j个关键点x
j
的坐标，为第j个关键点x
j
的横坐标，为第j个关键点x
j
的纵坐标，Ω为图像域；e)将关键点集合D作为源点集输入到局部半径增广测地线投票算法中，计算得到测地线路径集合{R1,R2,...,R
j
,...,R
N
}；f)计算总的测地线密度μ
t
(x
i
,r)；g)根据总的测地线密度μ
t
(x
i
,r)计算测地线空间密度以及总的测地线密度的最大值h)计算关键点图I中视网膜血管半径和血管中心线i)计算得到血管端点集C及分叉交叉点集合j)得到由视网膜血管半径血管中心线血管端点集C及分叉交叉点集合构成的视网膜血管生物医学标记。2.根据权利要求1所述的基于局部增广空间测地线生物医学标记方法，其特征在于：步骤a)中从血管关键点公开数据集DRIVE中选取40张视网膜眼底图像组成视网膜眼底图像数据集T。3.根据权利要求1所述的基于局部增广空间测地线生物医学标记方法，其特征在于：步骤b)中使用python中的OpenCV包对视网膜眼底图像数据集T依次进行翻转、旋转、对比度变化操作，得到增强后的视网膜眼底图像数据集T
′
。4.根据权利要求1所述的基于局部增广空间测地线生物医学标记方法，其特征在于：步骤c)中将增强后的视网膜眼底图像数据集T
′
按照7:2:1的比例划分为训练集train、验证集val、测试集test。5.根据权利要求1所述的基于局部增广空间测地线生物医学标记方法，其特征在于，步
骤e)包括如下步骤：e
‑
1)建立以关键点图I图像域Ω中第i个像素点x
i
为中心，以r为半径的球体，i∈{1,2,...,Q}，Q为关键点图I的像素点总数，r∈[0,r
max
]，r
max
为半径最大值；e
‑
2)通过公式计算得到势函数P(x
i
,r)，式中ω为实正常数权重，λ1与λ2均为正实数权重，β为实正常数，m(x
i
,r)为在关键点图I图像域Ω中以像素点x
i
为中心，以r为半径的球体的平均值，σ2(x
i
,r)为在关键点图I图像域Ω中以像素点x
i
为中心，以r为半径的球体的方差，将第j个关键点x
j
作为源点，m0为在关键点图I图像域Ω中以源点x
j
为中心，以r为...

【专利技术属性】
技术研发人员：陈达，李焕春，舒明雷，刘丽，韩孝兴，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：