CN113989170B - 一种基于血液流动特性的透明型血管类型识别方法 - Google Patents

一种基于血液流动特性的透明型血管类型识别方法 Download PDF

Info

Publication number
CN113989170B
CN113989170B CN202111280337.9A CN202111280337A CN113989170B CN 113989170 B CN113989170 B CN 113989170B CN 202111280337 A CN202111280337 A CN 202111280337A CN 113989170 B CN113989170 B CN 113989170B
Authority
CN
China
Prior art keywords
optical flow
pixel point
blood vessel
image
blood
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111280337.9A
Other languages
English (en)
Other versions
CN113989170A (zh
Inventor
孙明竹
赵新
王一雯
李璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nankai University
Original Assignee
Nankai University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nankai University filed Critical Nankai University
Priority to CN202111280337.9A priority Critical patent/CN113989170B/zh
Publication of CN113989170A publication Critical patent/CN113989170A/zh
Application granted granted Critical
Publication of CN113989170B publication Critical patent/CN113989170B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于血液流动特性的透明型血管类型识别方法，包括如下步骤：获取具有透明型血管结构的活体模式动物局部血液流动视频；训练机器学***均光流场，并将平均光流场可视化；得到与局部血液流动视频相对应的血管结构二值图像；将光流可视化图像从RGB空间转换到HSV空间；保留光流可视化HSV图像中血管结构区域内的图像数据；提取HSV图像的S通道图像，区分出毛细血管；提取HSV图像的H通道图像，区分出主干血管；参考心脏的位置，区分出静脉和动脉。与传统方式相比，能够免去使用荧光显微镜拍摄血管的繁琐工作，简便快速地区分血管类型，且准确率较高。

Description

一种基于血液流动特性的透明型血管类型识别方法
技术领域
本发明涉及显微图像处理领域，具体涉及一种基于血液流动特性，简单、快速确定活体模式动物透明型血管类型的方法。
背景技术
准确识别活体模式动物在体血管类型，提供显微视觉反馈，有利于进一步的显微操作和机理研究。目前，血管类型识别的研究手段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，主流的血管类型识别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，现有常规血管类型识别方法并不适用于这些活体模式动物的血管。
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，以进一步研究血管类型自动识别方法。然而，荧光显微图像的拍摄过程较为复杂、耗时，图像质量容易出现不连续、边界模糊等问题；此外，由于共聚焦显微镜的激光强度高，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，有必要针对显微镜下模式动物难以识别的透明型在体血管，设计一种血管类型识别算法，快速准确地获得血管类型。
发明内容
基于现有常规手段识别显微镜下模式动物透明型在体血管类型存在的上述缺陷和不足，本发明设计了一种根据活体模式动物血液流动视频，进行血管结构图像分割的计算方法，并根据分割得到的血管结构二值图结合特定的图像处理方式以及不同类型血管中血细胞运动方向和运动速度的差异，准确、快速地区分透明型血管类型的方法，与传统采用共聚焦显微镜拍摄模式动物透明型血管荧光显微图像的方式相比，能够免去使用荧光显微镜拍摄血管的繁琐工作，简便快速地区分血管类型，且准确率较高。
本发明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类型识别方法，包括如下步骤：
S1，通过显微拍摄的方式，获取具有透明型血管结构的活体模式动物局部血液流动视频；
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拍摄得到的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，得到分割后的血管结构二值图像；
S8，将步骤S3处理得到的光流可视化图像从RGB颜色空间转化到HSV颜色空间，得到光流可视化HSV图像；
S9，分别输入步骤S8得到的光流可视化HSV图像以及步骤S7处理得到的血管结构二值图像，仅保留光流可视化HSV图像中血管结构区域内的图像数据；
S10，提取步骤S9处理得到的血管结构区域内光流可视化HSV图像中的S通道图像，区分出毛细血管；
S11，提取步骤S9处理得到的血管结构区域内光流可视化HSV图像中的H通道图像，区分出主干血管；
S12，参考活体模式动物的心脏位置，区分于两条主干血管中的动脉和静脉。
进一步地，步骤S2、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***处理得到。
进一步地，，步骤S2中，平均光流场中每个像素点Ii，j的光流连续性特征分别包括直接光流连续性特征(fi)与径向光流连续性特征(fr)；血管结构二值图中，每个像素点Ii，j的血管连续性特征分别包括直接血管连续性特征(ci)与径向血管连续性特征(cr)；其中：
像素点Ii，j直接光流连续性特征(fi)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Pi(Ii，j)大于阈值Ti，则fi(Ii,j)＝1，否则等于0；具体计算公式如下：
Figure BDA0003328081430000031
Figure BDA0003328081430000032
Figure BDA0003328081430000033
Figure BDA0003328081430000034
Figure BDA0003328081430000035
其中：Tcos表示光流矢量的夹角阈值；Tspeed表示光流矢量的速度阈值；k表示八邻域；Normi表示直接归一化常数；Ti表示直接光流相似性概率阈值；isVessel(Ii，j)判断像素点Ii，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；Mij表示当前像素点Ii，j所在的八邻域内，与当前像素点Ii，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；Pi(Ii，j)表示当前像素点Ii，j所在八邻域中，当前像素点Ii，j的光流矢量与血管像素点的光流矢量的相似性；
像素点Ii，j径向光流连续性特征(fr)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Pr(Ii，j)大于阈值Tr，则fr(Ii，j)＝1，否则等于0；具体计算公式如下：
Figure BDA0003328081430000041
Figure BDA0003328081430000042
Figure BDA0003328081430000043
Figure BDA0003328081430000044
Figure BDA0003328081430000045
其中：k表示圆形邻域；Normr表示径向归一化常数；Tr表示径向光流相似性概率阈值；Mij表示当前像素点Ii，j所在的圆形邻域内，与当前像素点Ii，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；Pr(Ii，j)表示当前像素点Ii，j所在圆形邻域中，当前像素点Ii，j的光流矢量与血管像素点的光流矢量的相似性；
像素点Ii，j直接血管连续性特征(ci)提取方法为：
输入血管结构二值图真值，统计当前像素点所在的八邻域内血管像素点的数量，并映射到一个概率值；若在八邻域中，当前像素点Ii，j属于血管结构的概率Pi(Ii，j)大于阈值Ti，则ci(Ii，j)＝1，否则等于0；具体计算公式如下：
Figure BDA0003328081430000046
Figure BDA0003328081430000047
Figure BDA0003328081430000051
Figure BDA0003328081430000052
其中：k表示八邻域，Normi表示直接归一化常数，Ti表示直接血管相似性概率阈值；isVessel(Ii，j)判断像素点Ii，j是否是血管像素点，1表示是，0表示不是；Mij表示当前像素点Ii，j所在的八邻域内，血管像素点的数量；Pi(Ii，j)表示当前像素点Ii，j所在八邻域中，当前像素点Ii，j属于血管结构的概率；
像素点Ii，j径向血管连续性特征(cr)的提取方法为：
输入血管结构二值图真值，统计当前像素点所在的圆形邻域内血管像素点的数量，并映射到一个概率值；若在圆形邻域中，当前像素点Ii，j属于血管结构的概率Pr(Ii，j)大于阈值Tr，则cr(Ii，j)＝1，否则等于0，具体计算公式如下：
Figure BDA0003328081430000053
Figure BDA0003328081430000054
Figure BDA0003328081430000055
Figure BDA0003328081430000056
其中上述公式中：k表示圆形邻域，Normr表示径向归一化常数，Tr表示径向血管相似性概率阈值；Mij表示当前像素点Ii，j所在的圆形邻域内，血管像素点的数量；Pr(Ii，j)表示当前像素点Ii，j所在圆形邻域中，当前像素点Ii，j属于血管结构的概率。
进一步地，步骤S2中，光流可视化图像中每个像素点的灰度特征共有53个，分别为：Gaussians filter特征4个，Hessian matrix特征10个，Frangi filter特征3个，Laplacian or sharpen filter特征3个，Mean max min and median values特征5个，Anisotropic diffusion特征2个，Morphological opening and closing特征6个，Gradient information特征3个，Kuwahara filter特征2个，gabor filter特征4个，highorder derivatives特征4个，Entropy特征3个，Rodrigues sobel特征2个，shake effect特征1个，enhancement filtering特征1个。
进一步地，步骤S4具体为：采用视网膜血管公开数据集DRIVE训练DenseUNet神经网络，使用训练好的DenseUNet神经网络对光流可视化图像进行分割；步骤S5中，使用基于混合高斯模型的背景减除法对视频图像序列进行处理。
进一步地，步骤S7具体为：将步骤S6处理得到的血管结构种子图像中血管像素特定邻域内未访问过的像素点作为候选点；计算当前所有候选点的灰度特征、血管连续性特征、光流连续性特征，组成多个特征向量序列，输入到训练好的机器学习模型中进行分类；当机器学习分类结果为1时，即将该像素点标记为血管像素点，当机器学习分类结果为0时，将该像素点标记为非血管像素点；更新血管结构种子图像，完成一次区域生长；迭代进行上述生长过程，当图像中所有像素点均被访问过时，区域生长结束，得到血管结构二值图像。
进一步地，步骤S10具体为：提取血管结构区域内光流可视化HSV图像中的S通道，计算S通道的颜色饱和度数值直方图，取峰值之间的极小值作为阈值，将颜色饱和度数值低于阈值的像素点标记为毛细血管像素点。
进一步地，步骤S11具体为：提取血管结构区域内光流可视化HSV图像中的H通道，计算H通道的色调数值直方图，取三个峰值之间的两个极小值作为双阈值α和β(0＜α＜β＜180)，将色调数值在α～β之间的像素点记为其中一条主干血管的像素点，将色调数值在0～α和β～180之间的像素点记为另一主干血管的像素点，从而分出两条主干血管。
进一步地，步骤S12具体为：分别计算两条主干血管的光流矢量，及其与心脏所在方位的夹角α，若夹角α小于90°，则该光流矢量所在的主干血管为静脉，若夹角α大于90°，则该光流矢量所在的主干血管为动脉。
本发明同现有技术相比具有以下优点及效果：
1、本发明所述的基于血液流动特性的透明型血管类型识别方法，首先通过一定的分割算法对拍摄得到的活体模式动物局部血液视频进行图像分割，提取得到相应的血管结构二值图；根据得到的血管结构二值图，将与该段血液流动视频相对的光流可视化HSV图像中的非血管结构区域去除，得到仅保留血管结构区域的光流可视化HSV图像，然后再分别通过提取S通道图像，区分出毛细血管；提取H通道图像，区分出主干血管；最后参考活体模式动物的心脏位置，通过光流矢量的方向，区分于两条主干血管中的动脉和静脉，完成整个血管类型的识别，方法简单、快速、准确率高。
2、另一方面，本发明直接利用活体模式动物血液流动视频，分析血细胞的运动信息，获得血管结构区域，与传统研究方法相比，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，可以简便、快速得到与该段视频相对应的血管结构二值图像。
3、本发明通过不同类型血管中血细胞运动方向和运动速度的差异，区分出不同类型的血管，血管类型区分速度快、区分准确率高，为后续的显微操作及机理研究奠定了基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述一种基于血液流动特性的透明型血管类型识别方法流程图。
图2为本发明实施例步骤S3中，局部血液流动视频图像示意图。
图3为本发明实施例步骤S3中，局部血液流动视频中相邻两帧图像的瞬时光流场示意图。
图4为本发明实施例步骤S3中，光流可视化图像(RGB)示意图。
图5为本发明实施例步骤S2中，机器学习分类模型训练数据集中标准血管结构二值图真值图像示意图。
图6为本发明实施例步骤S8处理得到的光流可视化HSV图像。
图7为本发明实施例步骤S8处理得到的血管结构区域内光流可视化HSV图像。
图8为拍摄得到的斑马鱼全局图像示意图。
图9为本实施例处理的斑马鱼毛细血管、动脉以及静脉的识别结果示意图。
图10为本发明实施例中步骤S7处理得到的，与步骤S3中局部血液流动视频相对应的血管结构二值图像。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1：如图1所示，一种基于血液流动特性的透明型血管类型识别方法，其中：该方法所用具有透明型血管结构的活体模式动物为斑马鱼幼鱼，具体包括如下步骤：
S1，通过显微拍摄的方式，获取斑马鱼幼鱼局部血液流动视频；
实验方法如下：使用受精后60小时水浴饲养的斑马鱼幼鱼进行实验，它含有较少的黑色素，可以提供更干净、少遮挡的视野，使用电动倒置显微镜(TiE，尼康)在十倍物镜(NA：0.25)下观察目标；将斑马鱼幼鱼侧卧在培养皿中，通过电动X-Y工作台(ProScan III，Prior)进入显微镜视野，工作台的运动范围为120mm-80mm，定位分辨率为0.05m；使用高速相机拍摄斑马鱼幼鱼血液流动视频，视频帧率为60fps；通过工作台的移动，共拍摄10段局部血液流动视频，每段视频时长1～2秒，帧宽度640像素，帧高度480像素；其中一段局部血液流动视频图像如图2所示。
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；
其中：所述稠密光流算法采用Farneback光流算法；光流可视化图像通过Munsell颜色***将平均光流场可视化得到。
进一步地，所述平均光流场中每个像素点Ii，j的光流连续性特征分别包括直接光流连续性特征(fi)与径向光流连续性特征(fr)；标准血管结构二值图中，每个像素点Ii，j的血管连续性特征分别包括直接血管连续性特征(ci)与径向血管连续性特征(cr)；其中：
(1)像素点Ii，j直接光流连续性特征(fi)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Pi(Ii，j)大于阈值Ti，则fi(Ii，j)＝1，否则等于0；具体计算公式如下：
Figure BDA0003328081430000091
Figure BDA0003328081430000092
Figure BDA0003328081430000093
Figure BDA0003328081430000094
Figure BDA0003328081430000095
其中：Tcos表示光流矢量的夹角阈值；Tspeed表示光流矢量的速度阈值；k表示八邻域；Normi表示直接归一化常数；Ti表示直接光流相似性概率阈值；isVessel(Ii，j)判断像素点Ii，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；Mij表示当前像素点Ii，j所在的八邻域内，与当前像素点Ii，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；Pi(Ii，j)表示当前像素点Ii，j所在八邻域中，当前像素点Ii，j的光流矢量与血管像素点的光流矢量的相似性；
(2)像素点Ii，j径向光流连续性特征(fr)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Pr(Ii，j)大于阈值Tr，则fr(Ii，j)＝1，否则等于0；具体计算公式如下：
Figure BDA0003328081430000096
Figure BDA0003328081430000101
Figure BDA0003328081430000102
Figure BDA0003328081430000103
Figure BDA0003328081430000104
其中：k表示圆形邻域；Normr表示径向归一化常数；Tr表示径向光流相似性概率阈值；Mij表示当前像素点Ii，j所在的圆形邻域内，与当前像素点Ii，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；Pr(Ii，j)表示当前像素点Ii，j所在圆形邻域中，当前像素点Ii，j的光流矢量与血管像素点的光流矢量的相似性；
(3)像素点Ii，j直接血管连续性特征(ci)提取方法为：
输入血管结构二值图真值，统计当前像素点所在的八邻域内血管像素点的数量，并映射到一个概率值；若在八邻域中，当前像素点Ii，j属于血管结构的概率Pi(Ii，j)大于阈值Ti，则ci(Ii，j)＝1，否则等于0；具体计算公式如下：
Figure BDA0003328081430000105
Figure BDA0003328081430000106
Figure BDA0003328081430000107
Figure BDA0003328081430000108
其中：k表示八邻域，Normi表示直接归一化常数，Ti表示直接血管相似性概率阈值；isVessel(Ii，j)判断像素点Ii，j是否是血管像素点，1表示是，0表示不是；Mij表示当前像素点Ii，j所在的八邻域内，血管像素点的数量；Pi(Ii，j)表示当前像素点Ii，j所在八邻域中，当前像素点Ii，j属于血管结构的概率；
(4)像素点Ii，j径向血管连续性特征(cr)的提取方法为：
输入血管结构二值图真值，统计当前像素点所在的圆形邻域内血管像素点的数量，并映射到一个概率值；若在圆形邻域中，当前像素点Ii，j属于血管结构的概率Pr(Ii，j)大于阈值Tr，则cr(Ii，j)＝1，否则等于0，具体计算公式如下：
Figure BDA0003328081430000111
Figure BDA0003328081430000112
Figure BDA0003328081430000113
Figure BDA0003328081430000114
其中上述公式中：k表示圆形邻域，Normr表示径向归一化常数，Tr表示径向血管相似性概率阈值；Mij表示当前像素点Ii，j所在的圆形邻域内，血管像素点的数量；Pr(Ii，j)表示当前像素点Ii，j所在圆形邻域中，当前像素点Ii，j属于血管结构的概率。
(5)光流可视化图像中，每个像素点Ii，j的灰度特征包括：Gaussians filter特征、Hessian matrix特征、Frangi filter特征、Laplacian or sharpen filter特征、Mean maxmin and median values特征、Anisotropic diffusion特征、Morphological opening andclosing特征、Gradient information特征、Kuwahara filter特征、Gabor filter特征、High order derivatives特征、Entropy特征、Rodrigues sobel特征、Shake effect特征、Enhancement filtering特征；其中：
Gaussians filter特征：一种线性平滑滤波，去除高斯噪声，降低图像灰度的尖锐变化，使图像变得模糊；使用不同的参数组合，共生成4个特征值；
Hessian matrix特征：一个多元函数的二阶偏导数构成的方阵，描述了函数的局部曲率，在图像处理中通常用于边缘检测；使用不同的参数组合，共生成10个特征值；
Frangi filter特征：一种基于Hessian matrix的滤波器，用于边缘检测，并实现血管图像增强；使用不同的参数组合，共生成3个特征值；
Laplacian or sharpen filter特征：一种二阶空间导数的各向同性微分算子，用于增强图像中灰度突变的区域，减弱灰度的缓慢变化区域；使用不同的参数组合，共生成3个特征值；
Mean max min and median values特征：以像素为中心，在其7像素×7像素的正方形窗口中计算像素灰度的算术平均值、几何平均值、最大值、最小值和中值，共生成5个特征值；
Anisotropic diffusion特征：一种各向异性扩散滤波器，用于平滑图像，保持图像细节特征，并减少噪声；使用不同的参数组合，共生成2个特征值；
Morphological opening and closing特征：形态学中的开运算和闭运算；使用不同的参数组合，共生成6个特征值；
Gradient information特征：利用线性核和高斯核进行梯度信息估计，计算图像的梯度特征；使用不同的参数组合，共生成3个特征值；
Kuwahara filter特征：一种边缘保留滤波器，能在平滑图像的同时保留图像有意义的边缘信息；使用不同的参数组合，共生成2个特征值；
Gabor filter特征：一种用于边缘提取的线性滤波器，其频率和方向表达与人类视觉***类似，能够提供良好的方向选择和尺度选择特性，对于光照变化不敏感；使用不同的参数组合，共生成4个特征值；
High order derivatives特征：计算图像的高阶导数；使用不同的参数组合，共生成4个特征值；
Entropy特征：一种特征的统计形式，反映图像灰度分布的聚集特征和空间特征；使用不同的参数组合，共生成3个特征值；
Rodrigues sobel特征：一种离散微分边缘检测算子，用来计算图像灰度的近似梯度；使用不同的参数组合，共生成2个特征值；
Shake effect特征：利用高斯模糊增强图像，减少图像噪声；使用不同的参数组合，共生成1个特征值；
Enhancement filtering特征：一种多尺度血管图像增强滤波，实现在不同尺度下的图像增强；使用不同的参数组合，共生成1个特征值；
对一幅长m、宽n的图像，提取特征后，共得到m*n个57×1的特征向量序列，(本实施例中共得到512*320个57×1的特征向量序列)将其作为训练数据集；将血管结构二值图真值中血管的像素值标注为1，非血管的像素值标注为0；使用随机森林算法作为机器学习模型；其中，图5为机器学习模型训练数据集中标准血管结构二值图真值示意图，需要解释的是：由于目前还没有关于斑马鱼血管图像的数据和标准参考图像，本实施例步骤S2中所述的标准血管结构二值图真值为实验室采用手动分割方式得到的标准参考图像，具体手动分割的方法属于现有技术部分，本发明不再赘述；
S3，使用Fameback光流算法，计算如图2所示的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；
其中；计算得到的瞬时光流场图像如图3所示，(为直观清晰地描述光流场，图3仅画出部分像素点的光流矢量)其中箭头方向表示速度方向，箭头长度表示速度大小；光流可视化图像如图4所示，不同的颜色表示不同的运动方向，颜色的深浅表示运动速度的快慢；
S4，采用视网膜血管图像公开数据集DRIVE训练DenseUNet神经网络，使用训练好的DenseUNet神经网络对步骤S3处理得到的光流可视化图像进行分割，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，采用基于混合高斯模型的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；
其中：将步骤S4、S5得到的二值图进行累加后，需要去除面积小于20像素点的小连通区域，一定程度上去除噪声干扰；
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，组成多个特征向量序列，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，得到分割后的血管结构二值图像；
具体为：输入步骤S6处理得到的血管结构种子图像，每次迭代时，将血管结构种子图像中血管像素特定邻域内未访问过的像素点作为候选点，并提取每个像素点的血管连续性特征；输入步骤S3得到的平均光流场，提取每个候选点的光流连续性特征；输入步骤S3中得到的光流可视化图像，提取每个候选点的灰度特征；将当前所有候选点的灰度特征、血管连续性特征、光流连续性特征，组成多个57×1的特征向量序列，输入到训练好的随机森林中进行分类；当特征向量的随机森林分类结果为1时，即将该像素点标记为血管像素点，当特征向量的随机森林分类结果为0时，将该像素点标记为非血管像素点；更新血管结构种子图像，完成一次区域生长；迭代进行上述生长过程，当血管结构种子图像中所有像素点均被访问过时，区域生长结束，得到血管结构二值图像，如图10所示；
S8，将步骤S3处理得到的光流可视化图像从RGB颜色空间转化到HSV颜色空间，得到光流可视化HSV图像，如图6所示；其中：将非线性不连续的RGB颜色转为线性连续的HSV颜色，通过计算连续变化的颜色可以间接计算运动方向连续变化的血细胞运动；
S9，分别输入步骤S8得到的光流可视化HSV图像以及步骤S7处理得到的血管结构二值图像，仅保留光流可视化HSV图像中血管结构区域内的图像数据(如图7所示)，限定计算范围，减少非血管区域的干扰，提高计算速度和血管类型识别的准确率；
S10，提取步骤S9处理得到的血管结构区域内光流可视化HSV图像中的S通道图像，区分出毛细血管；其中：因为毛细血管中血细胞的流动速度明显慢于主干血管中的血细胞，所以毛细血管的颜色饱和度明显低于主干血管的颜色饱和度；具体地：计算S通道的颜色饱和度数值直方图，取峰值之间的极小值作为阈值，将颜色饱和度数值低于阈值的像素点标记为毛细血管像素点；本实施例中，取阈值为6，颜色饱和度小于6的像素点记为毛细血管像素点；
S11，提取步骤S9处理得到的血管结构区域内光流可视化HSV图像中，H通道图像，区分出主干血管；其中：因为主干血管中动脉和静脉血液流向相反，对应血液光流的可视化颜色差异明显，所以H通道的色调数值直方图通常呈现三个峰，通过计算H通道的色调数值直方图，取三个峰值之间的两个极小值作为双阈值α和β(0＜α＜β＜180)，将色调数值在α～β之间的像素点记为主干血管1的像素点，将色调数值在0～α和β～180之间的像素点记为主干血管2的像素点，从而分出两条主干血管；
本实施例中，取峰值之间的极小值45和120作为双阈值，色调数值在45～120之间的像素点记为主干血管1的像素点，色调数值在0～45和120～180之间的像素点记为主干血管2的像素点，从而分出两条主干血管；
S12，参考活体模式动物的心脏位置，区分于两条主干血管中的动脉和静脉；其中：因为动脉血液从心脏流出，静脉血液流向心脏，所以光流场中，光流矢量方向指向心脏的血管是静脉，光流矢量方向背离心脏的血管是动脉；通过分别计算主干血管中光流矢量和心脏所在方位的夹角α，若夹角α小于90°则该光流矢量所在的主干血管为静脉，若夹角α大于90°则该光流矢量所在的主干血管为动脉。
具体地，本实施例中，拍摄得到的斑马鱼全局图像如图8所示，其中斑马鱼头部处方框标出的为心脏区域，另一方框标出的为步骤S3所计算的局部斑马鱼血液流动视频图像(图2)在全局图像中的位置；因为斑马鱼的心脏在斑马鱼头部附近，独立于血管结构并且离血管结构较远，心脏跳动十分明显，在拍摄的时候能够用肉眼非常容易地识别出心脏所在位置，即在当前局部斑马鱼血液流动视频图像的右上方，所以将当前局部斑马鱼血液流动视频图像的右上角(640，0)作为参考点；结合光流场，分别计算两条主干血管中光流矢量和(640，0)的夹角a，若夹角a小于90°则该光流矢量所在的主干血管为静脉，若夹角a大于90°则该光流矢量所在的主干血管为动脉，得到如图9所示的血管类型识别结果，用不同灰度表示，其中，最上面从左至右的血管为静脉，中间从左至右的血管为动脉，下方从上至下的血管为毛细血管。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种基于血液流动特性的透明型血管类型识别方法，其特征在于，包括如下步骤：
S1，通过显微拍摄的方式，获取具有透明型血管结构的活体模式动物局部血液流动视频；
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拍摄得到的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，得到分割后的血管结构二值图像；
S8，将步骤S3处理得到的光流可视化图像从RGB颜色空间转化到HSV颜色空间，得到光流可视化HSV图像；
S9，分别输入步骤S8得到的光流可视化HSV图像以及步骤S7处理得到的血管结构二值图像，仅保留光流可视化HSV图像中血管结构区域内的图像数据；
S10，提取步骤S9处理得到的血管结构区域内光流可视化HSV图像中的S通道图像，区分出毛细血管；步骤S10具体为：提取血管结构区域内光流可视化HSV图像中的S通道，计算S通道的颜色饱和度数值直方图，取峰值之间的极小值作为阈值，将颜色饱和度数值低于阈值的像素点标记为毛细血管像素点；
S11，提取步骤S9处理得到的血管结构区域内光流可视化HSV图像中的H通道图像，区分出主干血管；步骤S11具体为：提取血管结构区域内光流可视化HSV图像中的H通道，计算H通道的色调数值直方图，取三个峰值之间的两个极小值作为双阈值α和β（0<α<β<180），将色调数值在α~β之间的像素点记为其中一条主干血管的像素点，将色调数值在0~α和β~180之间的像素点记为另一主干血管的像素点，从而分出两条主干血管；
S12，参考活体模式动物的心脏位置，区分于两条主干血管中的动脉和静脉；步骤S12具体为：分别计算两条主干血管的光流矢量及其与活体模式动物心脏所在方位的夹角ɑ，若夹角ɑ小于90°，则该光流矢量所在的主干血管为静脉，若夹角ɑ大于90°，则该光流矢量所在的主干血管为动脉。
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类型识别方法，其特征在于，步骤S2、S3中，所述稠密光流算法为Farneback光流算法；光流可视化图像通过Munsell颜色***处理得到。
3.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类型识别方法，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(
Figure DEST_PATH_IMAGE001
)与径向光流连续性特征 (
Figure DEST_PATH_IMAGE002
)；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(
Figure DEST_PATH_IMAGE003
)与径向血管连续性特征(
Figure DEST_PATH_IMAGE004
)；其中：
像素点I i,j 直接光流连续性特征(
Figure 232235DEST_PATH_IMAGE001
)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
Figure DEST_PATH_IMAGE005
大于阈值
Figure DEST_PATH_IMAGE006
，则
Figure DEST_PATH_IMAGE007
，否则等于0；具体计算公式如下：
Figure DEST_PATH_IMAGE008
；
Figure DEST_PATH_IMAGE009
；
Figure DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE011
；
Figure DEST_PATH_IMAGE012
；
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 (
Figure DEST_PATH_IMAGE013
)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
Figure DEST_PATH_IMAGE014
大于阈值
Figure DEST_PATH_IMAGE015
，则
Figure DEST_PATH_IMAGE016
，否则等于0；具体计算公式如下：
Figure DEST_PATH_IMAGE017
；
Figure DEST_PATH_IMAGE018
；
Figure DEST_PATH_IMAGE019
；
Figure DEST_PATH_IMAGE020
；
Figure DEST_PATH_IMAGE021
；
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 r (I i,j )表示当前像素点I i,j 所在圆形邻域中，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 直接血管连续性特征(
Figure DEST_PATH_IMAGE022
)提取方法为：
输入血管结构二值图真值，统计当前像素点所在的八邻域内血管像素点的数量，并映射到一个概率值；若在八邻域中，当前像素点
Figure DEST_PATH_IMAGE023
属于血管结构的概率
Figure DEST_PATH_IMAGE024
大于阈值
Figure DEST_PATH_IMAGE025
，则
Figure DEST_PATH_IMAGE026
，否则等于0；具体计算公式如下：
Figure DEST_PATH_IMAGE027
；
Figure DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE029
；
Figure DEST_PATH_IMAGE030
；
其中：k表示八邻域，Norm i 表示直接归一化常数，T i 表示直接血管相似性概率阈值；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；M ij 表示当前像素点I i,j 所在的八邻域内，血管像素点的数量；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
Figure 412025DEST_PATH_IMAGE023
属于血管结构的概率；
像素点I i,j 径向血管连续性特征(
Figure DEST_PATH_IMAGE031
)的提取方法为：
输入血管结构二值图真值，统计当前像素点所在的圆形邻域内血管像素点的数量，并映射到一个概率值；若在圆形邻域中，当前像素点
Figure 53747DEST_PATH_IMAGE023
属于血管结构的概率
Figure DEST_PATH_IMAGE032
大于阈值
Figure DEST_PATH_IMAGE033
，则
Figure DEST_PATH_IMAGE034
，否则等于0，具体计算公式如下：
Figure DEST_PATH_IMAGE035
；
Figure DEST_PATH_IMAGE036
；
Figure DEST_PATH_IMAGE037
；
Figure DEST_PATH_IMAGE038
；
其中上述公式中：k表示圆形邻域，Norm r 表示径向归一化常数，T r 表示径向血管相似性概率阈值；M ij 表示当前像素点I i,j 所在的圆形邻域内，血管像素点的数量；P r (I i,j )表示当前像素点I i,j 所在圆形邻域中，当前像素点
Figure 885174DEST_PATH_IMAGE023
属于血管结构的概率。
4.根据权利要求3所述的一种基于血液流动特性的透明型血管类型识别方法，其特征在于，步骤S2中，光流可视化图像中每个像素点的灰度特征共有53个，分别为：Gaussiansfilter特征4个，Hessian matrix特征 10个，Frangi filter 特征3个，Laplacian orsharpen filter 特征3个，Mean max min and median values 特征5个，Anisotropicdiffusion 特征2个，Morphological opening and closing 特征6个，Gradientinformation 特征3个，Kuwahara filter特征 2个，gabor filter 特征4个，high orderderivatives 特征4个，Entropy 特征3个，Rodrigues sobel 特征2个，shake effect特征1个，enhancement filtering特征1个。
5.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类型识别方法，其特征在于，步骤S4具体为：采用视网膜血管公开数据集DRIVE训练DenseUNet神经网络，使用训练好的DenseUNet神经网络对光流可视化图像进行分割；步骤S5中，使用基于混合高斯模型的背景减除法对视频图像序列进行处理。
6.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类型识别方法，其特征在于，步骤S7具体为：将步骤S6处理得到的血管结构种子图像中血管像素特定邻域内未访问过的像素点作为候选点；计算当前所有候选点的灰度特征、血管连续性特征、光流连续性特征，组成多个特征向量序列，输入到训练好的机器学习模型中进行分类；当机器学习分类结果为1时，即将该像素点标记为血管像素点，当机器学习分类结果为0时，将该像素点标记为非血管像素点；更新血管结构种子图像，完成一次区域生长；迭代进行上述生长过程，当图像中所有像素点均被访问过时，区域生长结束，得到血管结构二值图像。
CN202111280337.9A 2021-10-29 2021-10-29 一种基于血液流动特性的透明型血管类型识别方法 Active CN113989170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111280337.9A CN113989170B (zh) 2021-10-29 2021-10-29 一种基于血液流动特性的透明型血管类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111280337.9A CN113989170B (zh) 2021-10-29 2021-10-29 一种基于血液流动特性的透明型血管类型识别方法

Publications (2)

Publication Number Publication Date
CN113989170A CN113989170A (zh) 2022-01-28
CN113989170B true CN113989170B (zh) 2023-01-24

Family

ID=79745165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111280337.9A Active CN113989170B (zh) 2021-10-29 2021-10-29 一种基于血液流动特性的透明型血管类型识别方法

Country Status (1)

Country Link
CN (1) CN113989170B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407917A (zh) * 2016-09-05 2017-02-15 山东大学 基于动态尺度分配的视网膜血管提取方法及***
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及***
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法
CN107248161A (zh) * 2017-05-11 2017-10-13 江西理工大学 一种多特征融合的有监督视网膜血管提取方法
CN109003279A (zh) * 2018-07-06 2018-12-14 东北大学 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407917A (zh) * 2016-09-05 2017-02-15 山东大学 基于动态尺度分配的视网膜血管提取方法及***
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及***
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法
CN107248161A (zh) * 2017-05-11 2017-10-13 江西理工大学 一种多特征融合的有监督视网膜血管提取方法
CN109003279A (zh) * 2018-07-06 2018-12-14 东北大学 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Discriminatively Trained Fully Connected Conditional Random Field Model for Blood Vessel Segmentation in Fundus Images;Orlando Jose Ignacio;《IEEE Transactions on Biomedical Engineering》;20171231;第34卷(第1期);全文 *
An improved U-Net method with High-resolution Feature Maps for Retinal Blood Vessel Segmentation;Dongye Chang-lei;《Journal of Physics: Conference Series》;20210131;第1848卷(第1期);全文 *
MFCSNet: Multi-Scale Deep Features Fusion and Cost-Sensitive Loss Function Based Segmentation Network for Remote Sensing Images;Ende Wang;《Applied Sciences》;20191231;第9卷(第19期);全文 *
基于改进U-Net视网膜血管图像分割算法;李大湘;《光学学报》;20200531;第40卷(第10期);全文 *
基于融合相位特征的视网膜血管分割算法;李媛媛;《计算机应用》;20180710;第38卷(第7期);全文 *
多特征融合神经网络的眼底血管分割算法;宋姝洁;《计算机科学与探索》;20210723;第12卷(第15期);全文 *

Also Published As

Publication number Publication date
CN113989170A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
Sheng et al. Retinal vessel segmentation using minimum spanning superpixel tree detector
Yang-Mao et al. Edge enhancement nucleus and cytoplast contour detector of cervical smear images
CN111524080A (zh) 脸部皮肤特征的识别方法、终端及计算机设备
Shahin et al. A novel white blood cells segmentation algorithm based on adaptive neutrosophic similarity score
CN106503644B (zh) 基于边缘投影及颜色特征的眼镜属性检测方法
Zaaboub et al. Optic disc detection and segmentation using saliency mask in retinal fundus images
Lermé et al. A fully automatic method for segmenting retinal artery walls in adaptive optics images
Kande et al. Segmentation of vessels in fundus images using spatially weighted fuzzy c-means clustering algorithm
CN113989170B (zh) 一种基于血液流动特性的透明型血管类型识别方法
Pelapur et al. Multi-focus image fusion using epifluorescence microscopy for robust vascular segmentation
CN106372593B (zh) 一种基于血管收敛的视盘区定位方法
Joshi et al. Review of preprocessing techniques for fundus image analysis
Park et al. Segmentation-based tracking of macrophages in 2D+ time microscopy movies inside a living animal
CN113989246B (zh) 一种基于血液流动特性的透明型血管图像分割方法
Cai et al. Using nonlinear diffusion and mean shift to detect and connect cross-sections of axons in 3D optical microscopy images
Abdelsamea An enhancement neighborhood connected segmentation for 2D-Cellular Image
Chen et al. Interactive image segmentation based on object contour feature image
Aleena et al. Retinal lesions detection for screening of diabetic retinopathy
CN114693622A (zh) 一种基于人工智能的斑块侵蚀自动检测***
Sivaswamy et al. Extraction of capillary non-perfusion from fundus fluorescein angiogram
Jadhav et al. SEGMENTATION OF BRIGHT REGION OF THE OPTIC DISC FOR EYE DISEASE PREDICTION.
Mahmood et al. Artifact Removal from Skin Dermoscopy Imagesto Support Automated Melanoma Diagnosis
Wu et al. Retinal vascular segmentation network with connectivity guidance
Niraimathi et al. Comparison of segmentation algorithms by a mathematical model for resolving islands and gulfs in nuclei of cervical cell images
Hawas et al. Extraction of Blood Vessels Geometric Shape Features with Catheter Localization and Geodesic Distance Transform for Right Coronary Artery Detection.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant