[发明专利]舌下微循环图像分割方法和装置、电子设备、存储介质在审

专利信息
申请号: 202011485773.5 申请日: 2020-12-16
公开(公告)号: CN112651978A 公开(公告)日: 2021-04-13
发明(设计)人: 吴剑;高国强;罗晓川;林伟鹏;陈观信 申请(专利权)人: 广州医软智能科技有限公司;清华大学深圳国际研究生院
主分类号: G06T7/11 分类号: G06T7/11;G06T7/12;G06T7/143
代理公司: 广州嘉权专利商标事务所有限公司 44205 代理人: 黄广龙
地址: 510000 广东省广州市高新技术产业开发*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 舌下 微循环 图像 分割 方法 装置 电子设备 存储 介质
【说明书】:

本公开实施例所提供的舌下微循环图像分割方法和装置、电子设备、存储介质,属于医学图像处理技术领域。该舌下微循环图像分割方法,包括:获取舌下微循环图像的原始图像数据;对所述原始图像数据进行标注,得到具有图像标签的中间图像集;将所述中间图像集划分为训练集和测试集;将所述测试集输入到预设的图像分割神经网络中进行测试;所述图像分割神经网络通过所述训练集训练得到;所述图像分割神经网络包括残差模块和注意力机制模块;根据所述残差模块和所述注意力机制模块对所述测试集进行分割,得到所述舌下微循环图像的目标图像,可以保证图像识别的准确性。

技术领域

本公开涉及医学图像处理技术领域,尤其涉及舌下微循环图像分割方法和装置、电子设备、存储介质。

背景技术

医学图像分割是医学图像处理的重要环节,图像中的目标区域的准确分割能为医生进行疾病诊断提供参考。针对微循环血管的分割,由于图像本身的复杂性,使得传统方法包括阈值法、区域生长法、水平集法都能很难取得理想的分割效果。近年来,包括卷积神经网络在内的深度学习技术大幅度提升了图像的分割精度。

卷积神经网络是一种机器学习模型,在图像处理领域有广泛的应用,该算法经常用于医学图像分割领域,取得了很好的效果。但是在实际对于舌下微循环血管而言,血管边缘,毛细血管的识别,背景区域的纯净度都存在较大问题,需要人工修复分割的错误,需要耗费大量的时间且需要操作者专业的知识,这为医学图像分割技术的临床应用带来了很高的成本。

通常,深度学习方法很难达到分割的精度要求,血管边缘的精确识别,毛细血管的误识别,血管交叉区域的识别,虚焦的血管的去除都是舌下血管分割遇到和要解决的问题。

发明内容

本公开的主要目的在于提出一种舌下微循环图像分割方法和装置、存储介质,可以保证图像识别的准确性。

实现上述目的,本公开的第一方面提出了一种舌下微循环图像分割方法,包括:

获取舌下微循环图像的原始图像数据;

对所述原始图像数据进行标注,得到具有图像标签的中间图像集;将所述中间图像集划分为训练集和测试集;

将所述测试集输入到预设的图像分割神经网络中进行测试;所述图像分割神经网络通过所述训练集训练得到;所述图像分割神经网络包括残差模块和注意力机制模块;

根据所述残差模块和所述注意力机制模块对所述测试集进行分割,得到所述舌下微循环图像的目标图像。

优选地,通过侧流暗场成像采集所述舌下微循环图像,获得所述原始图像数据;其中,所述原始图像数据为单通道灰度图像。

优选地,所述原始图像数据包括血管区域,所述对所述原始图像数据进行标注,得到具有图像标签的中间图像集,包括:

对所述血管区域进行标注,得到所述中间图像集。

优选地,所述图像分割神经网络为U-net网络框架,所述注意力机制模块为空间金字塔池化的卷积注意力模块模块。

优选地,所述根据所述残差模块和所述注意力机制模块对所述测试集进行分割,得到舌下微循环血管的目标图像,包括:

在所述图像分割神经网络的编码层和解码层分别加入所述残差模块,得到网络深度增加的图像分割神经网络;

通过所述网络深度增加的图像分割神经网络和所述注意力机制模块对所述测试集进行分割,得到所述目标图像;

其中,所述残差模块如下公式表示:

为输出函数,F2和F1为权重函数,为激活函数,x为输入数据,y为输出。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广州医软智能科技有限公司;清华大学深圳国际研究生院,未经广州医软智能科技有限公司;清华大学深圳国际研究生院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011485773.5/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top