(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111280338.3 (22)申请日 2021.10.2 9 (71)申请人 南开大学 地址 300000 天津市津南区海河教育园区 同砚路38号 (72)发明人 孙明竹　赵新　王一雯　李璐　 (74)专利代理 机构 天津睿勤专利代理事务所 (普通合伙) 12225 代理人 孟福成 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 3/40(2006.01) G06N 20/00(2019.01) G06N 3/08(2006.01)G06N 3/02(2006.01) (54)发明名称 一种基于血液流动特性的透明型血管图像 分割方法 (57)摘要 本发明涉及一种基于血液流动特性的透明 型血管图像分割方法， 包括如下步骤： 分段拍摄 活体模式动物血液流动视频； 对 标准血管结构二 值图以及对应的平均光流场、 光流可视化图像进 行特征提取， 训练机器学习分类模型； 计算局部 血液流动视频中图像序列平均光流场， 并将平均 光流场可视化； 使用神经网络分割光流可视化图 像， 累加视频图像序列的背景减除结果， 将两步 处理结果相加， 作为区域生长种子图像； 对光流 可视化图像、 平均光流场、 血管结构种子图像进 行特征提取， 使用训练好的机器学习分类模型进 行区域生长运算， 得到局部血管结构二值图； 进 行血管结构图像拼接， 得到全局血管结构二值图 像。 该方法可以简便、 快速地获得连通性强、 完整 性高的血 管结构。 权利要求书4页 说明书11页 附图4页 CN 113989246 A 2022.01.28 CN 113989246 A 1.一种基于血 液流动特性的透明型 血管图像分割方法， 其特 征在于， 包括如下步骤： S1， 通过分段显微拍摄的方式， 获取具有透明型血管结构的活体模式动物全局血液流 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， 得到血 管结构二值图像； S8， 采用步骤S3至S7分别处理步骤S1拍摄得到的全局血液流动 视频中其它局部血液流 动视频， 分别得到与该 段视频相对应的血 管结构二值图； S9， 对步骤S7以及步骤S8处理得到的血管结构二值图， 采用基于SIFT特征提取的全局 血管结构图像拼接， 最后得到活体模式动物的全局血 管结构二值图像。 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图像分割方法， 其特征 在于， 步骤S2、 步骤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颜色系统 处理得到。 3.根据权利要求1所述的基于血液流动特性的透 明型血管图像分割方法， 其特征在于， 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：权　利　要　求　书 1/4 页 2 CN 113989246 A 2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： 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权　利　要　求　书 2/4 页 3 CN 113989246 A 3