【技术实现步骤摘要】
本专利技术涉及手背静脉图像分割，尤其涉及的一种基于深度蛇形高分辨率网络的手背静脉分割方法。
技术介绍
1、静脉穿刺是一种常见的临床操作，用于静脉治疗和血样采集，依赖于医疗专业人员的精确判断和经验来定位和穿刺静脉。然而，皮肤颜色和肥胖等因素可能会使静脉的检测变得更加复杂，常常导致穿刺失败。对手背图像中静脉的准确和高效分割能够显著降低这些风险。此外，在我们日益数字化的世界中，生物特征如面部表情、指纹和手背静脉被广泛用于身份认证。基于手背静脉的身份识别在移动支付和门禁控制等应用中尤为有前景，因为它具有高检测准确率、强大的防伪能力以及广泛的接受度。然而，手背静脉分割在数据收集方面面临许多挑战，如收集难度、复杂且耗时的标注过程以及相关公开数据集的稀缺。现有数据集仍存在图像对比度低、亮度变化剧烈等问题，导致手背静脉的标注变得困难。这些挑战造成了严重的数据短缺，阻碍了该领域的研究进展。
2、早期的血管分割研究主要使用传统方法，如基于阈值的分割、边缘检测技术、数学形态学和基于区域的分割。虽然这些传统方法在某些情况下有效，但在处理复杂图像时往往存在困难，导致血管的细节和弯曲部分分割不准确。例如，基于阈值的方法对光照和皮肤纹理的变化非常敏感，而边缘检测方法在噪声干扰下可能无法准确捕捉血管的连续性。此外，基于区域的方法通常依赖于阈值，对噪声敏感，且在初始种子的选择上存在挑战，处理复杂边界的能力不足，这可能导致重要血管信息的捕获不完整。
3、卷积神经网络（cnn）的出现，以其特征学习能力而闻名，显著提升了各种血管分割任务的精准性
4、u-net架构的提出标志着一个重要的里程碑，促使编码器-解码器结构与跳跃连接的广泛采用，成为当前先进方法的基础。这些架构利用下采样和卷积操作提取更高层次的语义信息，同时利用跳跃连接保留来自编码器的低层特征，并与解码器中的高层特征相结合。然而，尽管在许多应用中效果显著，该方法仍在低对比度图像的细血管分割中容易出现不连续或遗漏现象，皮肤纹理或头发等因素也可能引入分割错误。当前的编码器-解码器架构在血管分割中面临两个主要问题：（1）跳跃连接可能导致细血管的位置信息丢失。在手背静脉图像低对比度且存在各种伪影的情况下，往往造成血管的不连续或遗漏，使得浅层网络难以准确描绘细血管，导致大量假阳性。（2）这些架构中的下采样过程虽然可以降低计算成本并提取更高层次的语义信息，但也会导致空间分辨率的降低，从而丧失对于低像素比和低对比度血管分割至关重要的高分辨率空间细节。
5、因此，本专利技术提供一种基于深度蛇形高分辨率网络的手背静脉分割方法，避免空间信息丢失，并且需要提升卷积核的灵活性和特征提取能力，从而更好地捕捉手背静脉的复杂细长结构，准确分割手背静脉图像中的细长弯曲的血管。
技术实现思路
1、本专利技术针对现有技术的不足，研制一种基于深度蛇形高分辨率网络的手背静脉分割方法，主要目的在于更好地捕捉手背静脉的复杂细长结构，准确分割手背静脉图像中的细长弯曲的血管。
2、本专利技术解决技术问题的技术方案为：
3、s1、设计采集手背静脉图像的设备，通过手背静脉图像设备采集的手背静脉图像构建数据集；
4、s2、对数据集中的手背静脉图像通过人工标注得到手背静脉图像的真实标签，再将数据集中的手背静脉图像按比例划分为训练集和测试集；
5、s3、构建深度蛇形高分辨率网络，深度蛇形高分辨率网络包括高分辨率路径、se注意力机制模块、编码器、解码器，将训练集中手背静脉图像输入至深度蛇形高分辨率网络进行手背静脉分割得到分割特征图；
6、s4、构建损失函数，损失函数由二元交叉熵损失和加权焦点损失构成，不断调整深度蛇形高分辨率网络中的参数使损失函数逐渐减小，进而优化深度蛇形高分辨率网络；
7、s5、将测试集中的手背静脉图像输入至优化后的深度蛇形高分辨率网络中得到最终手背静脉图像分割结果。
8、s1具体如下：
9、手背静脉图像设备包括一台cmos相机、数据采集盒、手部放置台和两个led灯板，手部放置台设置在数据采集盒内部底端，cmos相机朝向手部放置台设置在数据采集盒内部顶端，led灯板朝向手部放置台设置在数据采集盒内部两侧，数据采集盒一侧下方设置开口；
10、手背静脉图像设备获取手背静脉图像的过程为：将手伸入数据采集盒一侧的开口，手背朝上放置在手部放置台，然后通过led灯板对手背进行照明，cmos相机对手背进行拍摄，得到手背静脉图像；
11、将得到的所有手背静脉图像进行汇总来构建数据集。
12、s3具体如下：
13、s3.1、构建深度蛇形高分辨率网络：
14、（1）编码器和解码器均分为四层，编码器和解码器共用第四层，每一层均包括动态蛇形卷积dsconv和优化残差模块optimized residual block；
15、其中，优化残差模块依次包括3×3卷积、dropblock正则化模块、gn归一化层、relu激活函数、3×3卷积、dropblock正则化模块、gn归一化层、relu激活函数；
16、（2）高分辨路径分为三层，第一层包含五个mam多分辨率聚合模块，第二层包括三个mam多分辨率聚合模块，第三层包括一个mam多分辨率聚合模块；
17、其中，mam多分辨率聚合模块包括水平方向的dsconv、垂直方向的dsconv、3×3卷积、三组gn归一化层和relu、bottleneck瓶颈模块；
18、bottleneck瓶颈模块包括1×1卷积、gn归一化层、relu激活函数、3×3卷积、gn归一化层、relu激活函数、1×1卷积、gn归一化层、relu激活函数；
19、将手背静脉图像输入至深度蛇形高分辨率网络中，表示训练集中任意一张图像。
20、s3.2、将图像输入至编码器，图像首先经过编码器的第一层，经过编码器第一层内的动态蛇形卷积和优化残差模块的处理，得到第一层输出的特征图；
21、将特征图经过maxpooling最大池化操作输入至编码器的第二层，经过编码器第二层内的动态蛇形卷积和优化残差模块的处理，得到第二层输出的特征图；
22、同理，将特征图经过maxpooling最大池化操作输入至编码器的第三层，得到第三层输出的特征图，将特征图经过maxpooling最大池化操作输入至编码器的第四层，得到第四层输出的特征图。
23、动态蛇形卷积和优化残差模块具体如下：
24、（1）动态蛇形卷积dsconv：
25、动态蛇形卷积dsconv同时捕捉来自x轴和y轴的特征图，即输入的特征图，在x轴上，通过一个3×3的卷积核沿x轴线性化，形成一条由九个网点组成的直线，x轴上每个网格点的位置表示为，其中，表示距离中心网格的水本文档来自技高网...
【技术保护点】
1.一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是，包括以下步骤：
2.根据权利要求1所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是，S1具体如下：
3.根据权利要求2所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是，S3具体如下：
4.根据权利要求3所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是：
5.根据权利要求4所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是，动态蛇形卷积和优化残差模块具体如下：
6.根据权利要求5所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是：
7.根据权利要求6所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是，MAM模块操作具体如下：
8.根据权利要求7所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是：
9.根据权利要求8所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是：
10.根据权利要求9所述的一种基于深度蛇形高分辨
...【技术特征摘要】
1.一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是，包括以下步骤：
2.根据权利要求1所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是，s1具体如下：
3.根据权利要求2所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是，s3具体如下：
4.根据权利要求3所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是：
5.根据权利要求4所述的一种基于深度蛇形高分辨率网络的手背静脉分割方法，其特征是，动态蛇形卷积和优化残差模块具体如下...
【专利技术属性】
技术研发人员：陆华，刘子轩，李登旺，张瑞杰，左新兵，王醒，李玉玲，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。