基于GA-Xnet的裸鼠皮窗血管分割图像断裂修复方法与流程

基于ga
‑
xnet的裸鼠皮窗血管分割图像断裂修复方法
技术领域
1.本发明涉及一种基于ga
‑
xnet的裸鼠皮窗血管分割图像断裂修复方法。


背景技术：

2.裸鼠皮窗模型经常被用来进行药物临床前的实验，其中血管分割能够将血管信息进行提取从而完成相关的血管特征数据如管径等的分析，间接对相关药物进行定量分析。但是由于皮窗模型制备过程中，容易发生筋膜覆盖血管的情况，导致采用传统阈值分割容易发生血管分割断裂，如果采用深度学习模型进行分割，则存在受硬件所限，同时作为小样本，则需要将裸鼠皮窗的图像进行分块处理后进行训练，由于丢失全局信息，也会出现血管分割断裂现象。血管分割断裂容易导致管径数据的误判。但是过分清除皮窗表面的筋膜容易导致血管出血导致实验模型失败。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种基于ga
‑
xnet的裸鼠皮窗血管分割图像断裂修复方法，有效实现血管分割断裂的修复功能，同时对训练所使用的硬件要求低，可靠性高。
4.为实现上述目的，本发明采用如下技术方案：
5.一种基于ga
‑
xnet的裸鼠皮窗血管分割图像断裂修复方法，包括以下步骤：
6.步骤s1:获取裸鼠皮窗图像数据，并提取皮窗圆形感兴趣区和人工标注血管样本；
7.步骤s2:对标注的裸鼠皮窗图像数据进行缩减，然后进行数据扩增，将扩增后的图像数据用于训练深度学习语义分割,并根据训练后深度学习语义分割对其他无标注的图像进行预测，然后将预测的图像扩大为原图像尺寸，得到粗分割后的图像；
8.步骤s3:将粗分割后的图像与drive数据集混合，作为训练数据集；
9.步骤s4:对训练数据集进行扩增处理；
10.步骤s5:将扩增的数据集输入到深度学习语义分割模型中进行训练，得到预测修复结果。
11.进一步的，所述步骤s1具体为：
12.(1)通过体式显微镜进行拍摄裸鼠脊背皮窗的白光图；
13.(2)制作圆形掩模，提取感兴趣的皮窗圆形区域；
14.(3)提取裸鼠脊背皮窗中圆感兴趣区域即血管区域；
15.(4)将预设数量的裸鼠皮窗血管图像进行人工标注。
16.进一步的，所述制作圆形掩模，提取感兴趣的皮窗圆形区域，具体为：
17.使用黑色圆标注皮窗圆形边缘，然后提取黑色的空心圆，填充圆形，作为人工皮窗的掩模，使用最小近邻插值原图像和掩模图像缩小尺寸作为下一步深度学习模型的数据集；
18.将掩模数据集输入深度学习的语义分割模型进行训练，然后预测图像，获取皮窗
图像的圆形感兴趣区掩模图，将预测的掩模图恢复原尺寸。
19.进一步的，所述提取裸鼠脊背皮窗中圆感兴趣区域即血管区域，采用掩模图像和原图完成与操作，设置掩模图中白色区域的数值为1，黑色区域为0，分别和彩色原图三通道进行与操作，完成圆形区域的血管图像的提取。
20.进一步的，所述步骤s2具体为：
21.(1)：对图像通过旋转、移位、翻转操作完成数据增强；
22.(2)：将数据集输入深度学习语义分割模型进行训练；
23.(3)：基于训练后的深度学习语义分割模型，得到预测图像，完成血管分割。
24.(4)：采用最小近邻插值的方法对图像还原成大尺寸。
25.进一步的，所述步骤s3具体为：眼底视网膜图像尺寸采用眼底中心图像不改变，扩大图像边界大小的方式调整尺寸大小，尺寸大小和裸鼠皮窗原始尺寸大小相同，所述处理后的眼底视网膜图像与粗分割后的图像混合样本比例设置为1:1。
26.进一步的，所述步骤s4具体为：通过将混合数据进行分块裁剪为48
×
48大小，裁剪过程中采用重叠的方法进行，实现数据的扩增。
27.本发明与现有技术相比具有以下有益效果：
28.1、本发明保证了被覆盖血管分割后骨架提取的连通性，优化后期血管管径的提取和分析方法；
29.2、本发明不仅具备解决血管分割断裂的修复功能，同时在训练硬件配置不高的情况下，使用深度学习框架完成对大尺寸血管图像进行分割修复操作。
附图说明
30.图1是本发明图像数据集制备步骤示意图；
31.图2是本发明一实施例中皮窗圆形区域图；
32.图3是本发明一实施例中粗分割ga具体步骤示意图
33.图4是本发明一实施例中细分割xnet具体步骤示意图。
具体实施方式
34.下面结合附图及实施例对本发明做进一步说明。
35.请参照图1
‑
4，本发明提供一种基于ga
‑
xnet的裸鼠皮窗血管分割图像断裂修复方法，包括以下步骤：
36.步骤s1:获取裸鼠皮窗图像数据，并提取皮窗圆形感兴趣区和人工标注血管样本，在本实施例中，参考图1，具体如下：
37.步骤1：裸鼠皮窗的制备，通过体式显微镜进行拍摄白光图；
38.步骤2：制作圆形掩模，提取感兴趣的皮窗圆形区域图2所示。
39.步骤2
‑
1：使用黑色圆标注皮窗圆形边缘，然后提取黑色的空心圆，填充圆形，作为人工皮窗的掩模，使用最小近邻插值原图像和掩模图像缩小尺寸作为下一步深度学习模型的数据集；
40.步骤2
‑
2：将掩模数据集输入深度学习的语义分割模型进行训练，然后预测图像，获取皮窗图像的圆形感兴趣区掩模图，将预测的掩模图恢复原尺寸；
41.步骤2
‑
3：由于存在预测掩模图像不是标准圆形的情况，使用hough变换完成圆形的提取；
42.优选的，采用unet
‑
hough方法能够不受hough转换中参数的影响。
43.步骤3：提取裸鼠脊背皮窗中圆感兴趣区域即血管区域，主要采用掩模图像和原图完成与操作，设置掩模图中白色区域的数值为1，黑色区域为0，分别和彩色原图三通道进行与操作，完成圆形区域的血管图像的提取。
44.步骤4：将少量(4～6张，还可以更多)裸鼠皮窗血管图像进行人工标注，标注的方法也是采用绘图的方法对圆形感兴趣区域血管描绘成黑色，然后通过判别颜色值获取血管信息，实现人工标注。
45.步骤s2：粗分割ga，具体为：对标注的裸鼠皮窗图像数据进行缩减，然后进行数据扩增，将扩增后的图像数据用于训练深度学习语义分割,并根据训练后深度学习语义分割对其他无标注的图像进行预测，然后将预测的图像扩大为原图像尺寸，得到粗分割后的图像；
46.在本实施例中，参考图3，粗分割ga具体为：
47.步骤1：对图像通过旋转、移位、翻转操作完成数据增强。粗分割数据集制作完成。
48.步骤2：将数据集输入深度学习语义分割模型进行训练。其中通过实验，采用注意力机制的unet模型分割效果最佳，能够识别被筋膜覆盖的血管并实现分割。
49.步骤3：预测图像，完成血管分割。
50.步骤4：采用最小近邻插值的方法对图像还原成大尺寸。
51.步骤s3:将粗分割后的图像与drive数据集混合，作为训练数据集；
52.在本实施例中，先将眼底视网膜图像尺寸采用眼底中心图像不改变，扩大图像边界大小，尺寸大小和裸鼠皮窗原始尺寸大小相同。
53.优选的，通过迁移学习原理，得到票两种混合比例为1:1最优。样本设置比例通过最小经验风险原理(empirical risk minimization，erm)来解释。由于弱边缘梯度的血管采用迁移学习进行训练，即使用眼底视网膜血管图像为源域d
s
，d
s
具备分块的特征数据x
s
和对应标签y
s
，为此针对dswc模型的弱边缘梯度血管目标域d
t
优化问题表示如公式1：
[0054][0055]
其中θ
*
是优化参数，l是与θ相关的loss函数，p为对应的边缘概率分布函数，y＝{y1,y2，
……
yn}是x＝{x1,x2，
……
xn}在该任务t中的标签，在公式1中，对每一个实例(x
si
,y
si
)设置了一个权重p
t
(x
ti
,y
ti
)/p
s
(x
si
,y
si
)，又因为p(y
t
|x
t
)≈p(y
s
|x
s
)，所以权重可以用公式2表达：
[0056][0057]
在眼底视网膜血管图像中，其血管如大小特征均可迁移映射到dswc模型中，故其分布概率为100％，假设在dswc模型中弱边缘梯度的小血管在全部血管信息中约为30％～
50％左右，则判断混合样本比例设置为1:1较为合适。
[0058]
步骤s4:通过将混合数据进行分块裁剪为48
×
48大小，裁剪过程中采用重叠的方法进行，实现数据的扩增
[0059]
步骤s5:将扩增的数据集输入到深度学习语义分割模型中进行训练，得到预测修复结果。
[0060]
优选的，步骤s5具体为：将上一步中扩增的数据集输入到深度学习语义分割模型中进行训练。由于要实现细分割，所以模型采用具有更多特征融合的unet 。经过实验对比，验证采用这个模型能够提高分割的灵敏度。
[0061]
在本实施例中，通过实验对比，ga中采用注意力机制的unet模型血管分割被覆盖的血管修复效果最好，通过迁移学习方法，混合数据集使用unet 模型能提高血管分割的灵敏度。
[0062]
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。