[发明专利]基于无监督学习的生物活体血管成像数据的增强方法及装置

说明书

一种基于无监督学习的生物活体血管成像数据的增强方法及装置，该方法包括：利用非侵入式荧光成像或X光血管造影成像技术分别对生物活体血管实施活体动态成像；通过域迁移的方式，利用开源的眼底视网膜的血管二值图像作为目标域，以无监督学习的方式从得到的图像中提取出具有血管表征的部分；将提取出的具有血管表征的部分进行视觉增强。本发明不需要标定的真值数据和大规模的数据集，即可实现从模糊杂乱的生物血管图像中提取并增强血管特征，从而有助于后续应用中的血管及血管相关的疾病诊断。

技术领域

本发明涉及生物活体成像领域，特别是一种基于无监督学习的生物活体血管成像数据的增强方法。

背景技术

生物活体成像对于分析生物体的健康状况有着非常重要的意义。血管的拓扑形态、血液流动速度等与阿尔兹海默症、心脑血管疾病、肠类疾病等有着密切的联系。对血管的活体成像可以做到对血管类疾病的实时监控和早期预防，对病理研究和精准诊断有着非常重要的意义。

生物活体成像可基于单光子荧光成像、多光子荧光成像、CT、MRI、光声成像等多种模态进行。生物组织，如皮肤、内脏等对可见光波段的散射很强，因而单光子荧光成像的深度受到很严重的限制。CT使用X射线穿透动物体，基于不同组织对X射吸收能力强弱不同，通过计算重建出兴趣区域内的三信息，但是X射线的辐射作用对动物有害，可能诱发癌症。多光子荧光成像、MRI和光声成像等方法抗散射能力较强，但是设备造价较高且复杂。除此之外，生物活体成像数据具有个体差异大，信噪比低等特点。同时生物体的呼吸和移动等，使得有用的信号被掺杂在不规则移动的背景信号和噪声之中，故通常情况下生物活体成像所获取的数据质量较低，不利于后续分析或者疾病诊断。

针对生物成像数据质量较差这一问题，现有主要的研究方法有两种，第一种是将有用信号的提取过程视作反卷积操作。这种方法认为，成像系统拍摄的模糊的图像，是清晰的待成像物体与模糊核函数进行空间卷积后再与噪声相叠加所得的结果，故只要对模糊核函数进行建模，即可通过反卷积算法计算出清晰的图像。这种方法或者需要对成像系统进行标定，或者结合先验知识，得到模糊核函数的粗略模型然后进行参数调整，而这对于宽场的活体成像来说很难实施，因为生物体的个体差异较大，而且生物组织对光的散射具有各向异性的特性，而基于建模和标定的方法需要待成像物体或组织的光学特性保持近似不变。

第二种是基于深度神经网络的监督学习的方法，使用大量成对的标定数据学习出模糊的成像结果和清晰的原数据之间的关系。由于生物数据量通常不够丰富，有研究者通过迁移学习的方式，先在自然图像数据集上训练出能够提取图像中各种特征的模型，如边缘、形态等，然后再在小规模的生物数据集上继续深度神经网络的训练和测试。然而小规模数据集也需要上百至上千张标定好且质量较高的数据，考虑到生物个体差异以及活体成像对生物体造成尽量小的损害的原则，标定好的、质量较高的数据对于很多生物活体成像实验的任务来说也难以获得。在数据集规模不够大甚至没有已知数据集的条件下对生物影像数据进行深度神经网络的学习和训练仍然是一个具有挑战的问题。

发明内容

本发明的主要目的在于克服上述技术缺陷，提供一种基于无监督学习的生物活体血管成像数据的增强方法。

为实现上述目的，本发明采用以下技术方案：

一种基于无监督学习的生物活体血管成像数据的增强方法，包括以下步骤：

A1、利用非侵入式荧光成像或X光血管造影成像技术分别对生物活体血管实施活体动态成像；

A2、通过域迁移的方式，利用开源的眼底视网膜的血管二值图像作为目标域，以无监督学习的方式从步骤A1得到的图像中提取出具有血管表征的部分；

A3、将步骤A2提取出的具有血管表征的部分进行视觉增强。

进一步地：

步骤A1中，利用非侵入式荧光成像技术对小鼠脑部血管和/或小鼠肠部血管实施活体动态成像，或X光血管造影成像技术对人体内血管实施活体动态成像。