一种鲁棒性激光散斑图像血管分割系统及分割方法技术方案

本发明专利技术涉及一种鲁棒性激光散斑图像血管分割系统及分割方法，所述分割系统包括图像收集模块、图像标注模块、数据预处理模块、血管分割模型构建模块和模型训练与伪标签更新模块；图像收集模块用于收集不同阶段的血管激光散斑图像，图像标注模块用于对正常血管图像中的血管区域进行标注，并在异常血管图像中生成血管区域的伪标签；数据预处理模块用于将原始激光散斑图像裁剪为图像切块并进行随机图像变化；血管分割模型构建模块用于构建分割模型；模型训练与伪标签更新模块用训练集对模型参数进行迭代训练，对训练集中的伪标签进行更行和迭代训练。本发明专利技术能够大幅提高语义分割对不同类型激光散斑图像的分割性能，具有良好的鲁棒性。棒性。棒性。

【技术实现步骤摘要】
一种鲁棒性激光散斑图像血管分割系统及分割方法


[0001]本专利技术涉及一种医用图像处理方法，具体地说是一种鲁棒性激光散斑图像血管分割系统及分割方法
。

技术介绍

[0002]激光散斑对比成像（
Laser Speckle Contrast Imaging , LSCI
）技术是一种非入侵性的光学成像技术，仅通过激光光束照射生物组织，光散射便可产生散斑图像，不需要造影剂或放射性材料，这有利于肿瘤灌注的连续监测和血管图像形成，并且由于其有限的穿透深度而特别适用于对浅表肿瘤的生物检测
。
现阶段，此项技术已广泛应用于皮肤癌
、
头颈部肿瘤
、
乳腺癌等领域，其中激光散斑图像的血管对于疾病诊断
、
治疗计划制定和疾病监测至关重要
。
[0003]传统的血管分割方法通过手动描绘血管，其依赖于富有经验的专业医生，并且需要耗费大量的时间，所以自动化的血管分割算法是有必要的
。
[0004]尽管激光散斑图像中的血管分割是一个有吸引力的话题，但由于信号噪声比低，血管相对较小且数量多，仍有一些障碍限制了
LSCI
图像中血管分割的性能
。
同时，在疾病的发生和发展过程中，健康的组织生理功能往往被破坏，并发生不规则的复杂变形
。
例如，在小动物研究中，植入肿瘤或实施栓塞往往会破坏许多微血管，并大大改变组织结构
。
因此，健康组织和植入的肿瘤或栓塞后的激光散斑图像存在明显的风格差异，导致监督学习模型在异常病变区域数据集上的性能明显下降，而在正常组织区域数据集上表现良好
。
也就是说，针对具有特定风格的
LSCI
图像中的血管分割进行预训练的监督学习模型，在分割具有不同风格的
LSCI
图像中的血管时，会表现出相对较低的鲁棒性和通用性
。
此外，对于复杂的病变区域，人工注释不仅费时费力，而且不能准确获得高质量的血管注释信息，会造成大量的血管信息损失
。
[0005]综上所述，要获得一个具有鲁棒性的语义分割模型来准确地分割不同风格激光散斑图像中的血管区域是极其困难的
。

技术实现思路

[0006]本专利技术的目的就是提供一种鲁棒性的激光散斑图像血管分割系统及分割方法，以解决现有激光散斑图像血管分割算法鲁棒性低和泛化能力差的问题
。
[0007]本专利技术的目的是这样实现的：一种鲁棒性激光散斑图像血管分割系统，包括：图像收集模块，用于收集同一组织部位的包括正常血管
、
肿瘤血管和栓塞后血管三个不同类型的血管激光散斑图像；图像标注模块，用于将正常血管的激光散斑图像标记为正常血管图像，并对图像中的血管区域进行标注；将肿瘤血管的激光散斑图像和栓塞后血管的激光散斑图像标记为异常血管图像，并采用语义分割算法从异常血管图像中生成激光散斑图像中血管区域的伪
标签；数据预处理模块，用于将原始激光散斑图像裁剪为图像切块，并对裁剪得到的图像切块进行随机图像变化，以进行数据增强；血管分割模型构建模块，用于构建激光散斑图像血管分割模型，并利用构建的模型分割激光散斑图像中的血管区域；以及模型训练与伪标签更新模块，用于将正常血管图像和异常血管图像进行混合，作为训练集对模型参数进行迭代训练，将迭代训练后的激光散斑图像血管分割模型对训练集中的异常血管图像的伪标签进行更新，并使用更新过伪标签的训练集对模型参数再次进行迭代训练，得到最终的模型参数
。
[0008]进一步地，对血管激光散斑图像的收集分为两批，第一批数据用于对激光散斑图像血管分割模型的训练；第二批数据用于对激光散斑图像血管分割模型的测试
。
[0009]进一步地，对于正常血管图像中的血管区域是采用
Labelme
标注软件进行图像中的血管区域的标注；对于异常血管图像中的血管区域是采用颜色检测语义分割算法生成相应的激光散斑图像中血管区域的伪标签
。
[0010]进一步地，对收集的原始激光散斑图像的裁剪操作是将原始激光散斑图像裁剪为
512
×
512
像素的块，裁剪方向是从上到下
、
从左到右，切割窗口的步幅设置为
420
个像素，以减少信息损失
。
[0011]进一步地，对裁剪得到的图像切块进行随机图像变化包括随机水平翻转
、
旋转
、
添加高斯噪声，以进行数据增强
。
[0012]进一步地，所构建的激光散斑图像血管分割模型包括：编码器，用于提取不同类型血管图像的浅层次特征和深层次特征；以及解码器，用于对提取的浅层次特征和深层次特征进行聚合，并输出最终的预测结果
。
[0013]进一步地，模型训练过程是：将带有手工标注标签的正常血管图像与带有伪标签的异常血管图像进行混合，作为模型的初始训练集，对模型参数进行迭代训练；再用模型测试集的血管激光散斑图像对模型进行测试，分别得到在正常血管数据集和异常血管数据集上的测试结果，用
Dice
分数和交并比
IOU
分数对正常血管数据集的测试结果进行量化，计算当前模型量化结果与只使用正常血管进行训练得到的模型在测试集上量化结果的相对百分比差异平均值
mRPD
，如果
mRPD
＞
1%
，则使用迭代训练后的模型预测训练集中的异常血管图像，并将新的预测结果作为异常血管图像的伪标签，将当前模型参数作为模型的初始化参数，对模型参数重新进行迭代训练；如果
mRPD
＜
1%
，则停止模型参数的迭代训练，并返回最终的模型参数，用以分割激光散斑图像中的血管
。
[0014]本专利技术能够大幅度提高语义分割对不同类型激光散斑图像的分割性能，并且具有良好的鲁棒性
。
[0015]本专利技术的目的还可这样实现：一种鲁棒性激光散斑图像血管分割方法，包括以下步骤：
S0. 构建本专利技术鲁棒性激光散斑图像血管分割系统
。
[0016]S1.
用激光散斑成像仪收集同一组织部位的包括正常血管
、
肿瘤血管和栓塞后血管三个不同类型的血管激光散斑图像；对血管激光散斑图像的收集分为两批，第一批数据
用于对激光散斑图像血管分割模型的训练，第二批数据用于对激光散斑图像血管分割模型的测试；
S2.
利用图像标注模块，将收集的两批数据中的正常血管的激光散斑图像均标记为正常血管图像，使用
Labelme
标注软件对图像中的血管区域进行标注；将其中的肿瘤血管的激光散斑图像标记和栓塞后血管的激光散斑图像均标记为异常血管图像，并采用颜色检测语义分割算法生成相应的激光散斑图像中血管区域的伪标签；
S3. 利用数据预处理模块，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种鲁棒性激光散斑图像血管分割系统，其特征是，包括：图像收集模块，用于收集同一组织部位的包括正常血管
、
肿瘤血管和栓塞后血管三个不同类型的血管激光散斑图像；图像标注模块，用于将正常血管的激光散斑图像标记为正常血管图像，并对图像中的血管区域进行标注；将肿瘤血管的激光散斑图像和栓塞后血管的激光散斑图像标记为异常血管图像，并采用语义分割算法从异常血管图像中生成激光散斑图像中血管区域的伪标签；数据预处理模块，用于将原始激光散斑图像裁剪为图像切块，并对裁剪得到的图像切块进行随机图像变化，以进行数据增强；血管分割模型构建模块，用于构建激光散斑图像血管分割模型，并利用构建的模型分割激光散斑图像中的血管区域；以及模型训练与伪标签更新模块，用于将正常血管图像和异常血管图像进行混合，作为训练集对模型参数进行迭代训练，将迭代训练后的激光散斑图像血管分割模型对训练集中的异常血管图像的伪标签进行更新，并使用更新过伪标签的训练集对模型参数再次进行迭代训练，得到最终的模型参数
。2.
根据权利要求1所述的鲁棒性激光散斑图像血管分割系统，其特征是，对血管激光散斑图像的收集分为两批，第一批数据用于对激光散斑图像血管分割模型的训练；第二批数据用于对激光散斑图像血管分割模型的测试
。3.
根据权利要求1所述的鲁棒性激光散斑图像血管分割系统，其特征是，对于正常血管图像中的血管区域是采用
Labelme
标注软件进行图像中的血管区域的标注；对于异常血管图像中的血管区域是采用颜色检测语义分割算法生成相应的激光散斑图像中血管区域的伪标签
。4.
根据权利要求1所述的鲁棒性激光散斑图像血管分割系统，其特征是，对收集的原始激光散斑图像的裁剪操作是将原始激光散斑图像裁剪为
512
×
512
像素的块，裁剪方向是从上到下
、
从左到右，切割窗口的步幅设置为
420
个像素，以减少信息损失
。5.
根据权利要求1所述的鲁棒性激光散斑图像血管分割系统，其特征是，对裁剪得到的图像切块进行随机图像变化包括随机水平翻转
、
旋转
、
添加高斯噪声，以进行数据增强
。6.
根据权利要求1所述的鲁棒性激光散斑图像血管分割系统，其特征是，所构建的激光散斑图像血管分割模型包括：编码器，用于提取不同类型血管图像的浅层次特征和深层次特征；以及解码器，用于对提取的浅层次特征和深层次特征进行聚合，并输出最终的预测结果
。7.
根据权利要求1所述的鲁棒性激光散斑图像血管分割系统，其特征是，模型训练过程是：将带有手工标注标签的正常血管图像与带有伪标签的异常血管图像进行混合，作为模型的初始训练集，对模型参数进行迭代训练；再用模型测试集的血管激光散斑图像对模型进行测试，分别得到在正常血管数据集和异常血管数据集上的测试结果，用
Dice
分数和交并比
IOU
分数对正常血管数据集的测试结果进行量化，计算当前模型量化结果与只使用正常血管进行训练得到的模型在测试集上量化结果的相对百分比差异平均值
mRPD<...

【专利技术属性】
技术研发人员：杨昆，常世龙，薛林雁，熊英，张英福，高文山，刘爽，
申请(专利权)人：河北大学，
类型：发明
国别省市：