一种用于甲襞微循环血管的微循环智能分析方法技术

本发明专利技术提出了一种用于甲襞微循环血管的微循环智能分析方法，包括如下步骤：步骤

【技术实现步骤摘要】
一种用于甲襞微循环血管的微循环智能分析方法


[0001]本专利技术属于甲襞微循环血管分析
，特别涉及一种用于甲襞微循环血管的微循环智能分析方法
。

技术介绍

[0002]目前，近年来深度学习算法的发展极大程度的促进了人们对计算机视觉领域的探索，对于人脸识别
、
目标检测
、
目标跟踪
、
语义分割
、
图像分类等算法的研究已经取得了很大的进展
。
甲襞是覆盖在指甲根部的皮肤皱折，甲襞表面为鳞状上皮覆盖，其中有皮肤真皮突起形成的乳头，每一乳头区一般有一支毛细血管，此毛细血管呈袢状，因此称其为毛细血管袢，毛细血管袢由较细的输入支，袢顶和较粗的输出支组成，正常大多呈“发夹”状
。
[0003]但是面对甲襞微循环图像中血管复杂多变的形态
、
血管背景较为复杂且受成像设备影响图像质量并不是很高的问题，以及单独使用传统的图像处理算法并不能实现完全自动化的微循环参数计算的问题
。

技术实现思路

[0004]本专利技术提出一种用于甲襞微循环血管的微循环智能分析方法，解决了上述问题
。
[0005]本专利技术的技术方案是这样实现的：一种用于甲襞微循环血管的微循环智能分析方法，包括如下步骤：
[0006]步骤
1、
采用单阶段网络识别甲襞微循环血管图像，并输出血管的
bbox
图像；
[0007]步骤
2、
采用
Unet++
对血管的
bbox
图像进行图像分割；
[0008]步骤
3、
采用图像分类算法统计白微栓的数量
。
[0009]作为一种优选的实施方式，单阶段网络选用
Yolov5
，
Yolov5
网络的结构被分为输入端
、backbone、neck
和
prediction
，
Yolov5
网络通过
x
参数调整网络的深度
。
[0010]Yolov5
网络结构图里面的
CSP1_x
中的
x
，指
x
个残差组件，即为
x
参数
。
[0011]作为一种优选的实施方式，
Yolov5
网络对输入端的处理方法包括如下步骤：
[0012]步骤
10、Yolov5
网络对所述甲襞微循环血管图像进行
cutmix
的数据增强处理；
[0013]步骤
11、Yolov5
网络将甲襞微循环血管图像统一缩放至标准尺寸
。
[0014]作为一种优选的实施方式，
Yolov5
网络对
neck
端的处理方法包括如下步骤：
[0015]步骤
12、
通过
SPP
模块增加主干网络的特征提取范围，分离上下文特征，构建特征金字塔；
[0016]步骤
13、
使用
FPN
模块自上而下将金字塔高层的特征通过上采样的方式进行融合，在
FPN
层之后加入一个自下而上的包含两个
PAN
结构的特征金字塔
。
[0017]作为一种优选的实施方式，
Yolov5
的损失如下述公式所示：
[0018][0019]作为一种优选的实施方式，
Unet++
对血管的
bbox
图像进行图像分割的方法为，
Unet
编码器中各层的特征图直接与解码器进行拼接，特征图中节点
X
i,j
,
的输出
x
i,j
按照下述公式进行计算：
[0020][0021]作为一种优选的实施方式，
Unet++
的损失函数采用下述公式进行计算：
[0022][0023]其中，
Y
′
b
和
Y
b
中分别为第
b
张图片的预测概率和
ground truth
，
N
为
batch size。
[0024]作为一种优选的实施方式，统计白微栓的数量统计方法为，采用
EfficientNet
作为图像分类网络进行统计，其中
EfficientNet
作为图像分类网络的验证方法包括如下步骤：
[0025]步骤
4、
选取若干段视频，每段视频若干秒，将每个血管图像分为有白微栓
、
有白细胞
、
同时出现白微栓和白细胞
、
没有白微栓和白细胞四种类型，形成数据集；
[0026]步骤
5、
将数据集按照训练
、
验证
8:2
的比例进行划分，并使用
Inception
‑
V3、ResNeXt
‑
101、ResNet
‑
152、DenseNet
‑
264、EfficientNet
网络模型对其进行训练；
[0027]步骤
6、
通过综合错误率
、
运行速度和参数量进行评估
。
[0028]其中，运行速度通过算法统计获得，参数量通过模型大小获得，上述获得方式均为现有技术中的常用技术手段，因此此处不再做过多的赘述
。
[0029]作为一种优选的实施方式，综合错误率的计算公式为：
[0030][0031]其中，
TN
为真阴性，即将负类预测为负类的数量，
FP
为假阳性，即将负类预测为正类的数量，
FN
为假阴性，即将正类预测为负类的数量，
TP
为真阳性，即将正类预测为正类的数量
。
[0032]采用了上述技术方案后，本专利技术的有益效果是：
[0033]本专利技术解决了面对甲襞微循环图像中血管复杂多变的形态
、
血管背景较为复杂且受成像设备影响图像质量并不是很高的问题，以及单独使用传统的图像处理算法并不能实现完全自动化的微循环参数计算问题
。
[0034]本专利技术采用深度学习中的目标检测算法对血管进行检测以便更好地将其与复杂背景进行分离同时判断血管的形态，本专利技术采用深度学习中的语义分割算法对检测到的血
管进行分割，便于对血管的管径
、
长度等信息进行计算实现真正的自动化计算
。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于甲襞微循环血管的微循环智能分析方法，其特征在于，包括如下步骤：步骤
1、
采用单阶段网络识别甲襞微循环血管图像，并输出血管的
bbox
图像；步骤
2、
采用
Unet++
对血管的
bbox
图像进行图像分割；步骤
3、
采用图像分类算法统计白微栓的数量
。2.
根据权利要求1所述的一种用于甲襞微循环血管的微循环智能分析方法，其特征在于，所述单阶段网络选用
Yolov5
，
Yolov5
网络的结构被分为输入端
、backbone、neck
和
prediction
，
Yolov5
网络通过
x
参数调整网络的深度
。3.
根据权利要求2所述的一种用于甲襞微循环血管的微循环智能分析方法，其特征在于，所述
Yolov5
网络对输入端的处理方法包括如下步骤：步骤
10、Yolov5
网络对所述甲襞微循环血管图像进行
cutmix
的数据增强处理；步骤
11、Yolov5
网络将甲襞微循环血管图像统一缩放至标准尺寸
。4.
根据权利要求2所述的一种用于甲襞微循环血管的微循环智能分析方法，其特征在于，所述
Yolov5
网络对
neck
端的处理方法包括如下步骤：步骤
12、
通过
SPP
模块增加主干网络的特征提取范围，分离上下文特征，构建特征金字塔；步骤
13、
使用
FPN
模块自上而下将金字塔高层的特征通过上采样的方式进行融合，在
FPN
层之后加入一个自下而上的包含两个
PAN
结构的特征金字塔
。5.
根据权利要求2所述的一种用于甲襞微循环血管的微循环智能分析方法，其特征在于，所述
Yolov5
的损失如下述公式所示：其中，
s
代表特征图的大小；
B
代表每个格子预测的边界框数量；
i
代表第几个格子；
j
代表第几个边界框；
c
代表类别数量
。6.
根据权利要求1所述的一种用于甲襞微循环血管的微循环智能分析方法，其特征在于，所述
Unet++
对血管的
bbox
图像进行图...

【专利技术属性】
技术研发人员：许先崇，许远，
申请(专利权)人：江苏同人医疗电子科技有限公司，
类型：发明
国别省市：