[发明专利]一种基于迁移学习的血管图像中特征点的分类识别方法

权利要求书

1.一种基于迁移学习的血管图像中特征点的分类识别方法，其特征在于，包括血管图像的模型训练和血管图像中特征点的类型识别两部分，具体为：

血管图像的模型训练：

(1)提取血管图像的特征点，并制作特征点数据集，所述特征点数据集包括分叉点数据集和交叉点数据集；

(2)基于迁移学习，利用所述特征点数据集对深度学习模型进行训练，获得基于迁移学习的血管图像中特征点的分类模型；

血管图像中特征点的类型识别：

(3)提取血管图像的特征点，将提取的特征点输入到血管图像模型训练中得到的基于迁移学习的血管图像中特征点的分类模型，获得血管图像中特征点的类型；所述步骤(1)具体包括如下步骤：

(11)利用基于Hessian矩阵的多尺度滤波方法对血管图像进行血管增强预处理；

(12)利用训练好的FCN全卷积神经网络得到的最优分割模型对预处理后的血管图像进行血管分割；

(13)利用zhang-suen细化算法对分割后的血管图像进行血管细化；

(14)使用卷积方法对血管细化后的血管图像中的所有像素点进行卷积操作，获得各特征点的位置，并将各特征点的位置信息存入二维矩阵中；

(15)将步骤(12)分割出来的血管图像的像素值存入二维矩阵中，分别以所述各特征点的位置为中心截取周围像素值，分别得到包含特征点的图像；

(16)将截取的包含特征点的图像按照分叉点数据集和交叉点数据集进行人工分类，以此制作特征点数据集。

2.根据权利要求1所述的基于迁移学习的血管图像中特征点的分类识别方法，其特征在于，所述步骤(11)的血管增强预处理后进一步包括，利用中值滤波器对增强预处理后的血管图像进行血管填充预处理。

3.根据权利要求1所述的基于迁移学习的血管图像中特征点的分类识别方法，其特征在于，所述步骤(11)的血管增强预处理前还包括：若血管图像为彩色图像，则对彩色血管图像进行灰度处理。

4.根据权利要求1所述的基于迁移学习的血管图像中特征点的分类识别方法，其特征在于，所述步骤(14)进一步包括：使用拓扑分类法计算所有特征点的两两之间的欧式距离，若满足下面条件的两个特征点，则将两个特征点合并成一个特征点：

(1)两点之间必须连接；

(2)两点之间的距离小于预设值。

5.根据权利要求1所述的基于迁移学习的血管图像中特征点的分类识别方法，其特征在于，所述步骤(2)具体包括如下步骤：

(21)裁剪深度学习模型Inception-v3：以单层神经网络代替深度学习模型Inception-v3的全连接层，并进行初始化网络；

(22)输入特征点数据集；

(23)通过裁剪掉全连接层后的深度学习模型Inception-v3计算特征点数据集中各特征点图像对应的维度为(1,2048)的特征向量；

(24)将得到的各特征向量作为单层神经网络的输入神经元，并利用梯度下降优化器进行参数训练优化，获得基于迁移学习的血管图像中特征点的分类模型。

6.根据权利要求1所述的基于迁移学习的血管图像中特征点的分类识别方法，其特征在于，所述血管图像中特征点的类型识别：

(3)提取血管图像的特征点，将提取的特征点输入到血管图像模型训练中得到的基于迁移学习的血管图像中特征点的分类模型，获得血管图像中特征点的类型，其具体包括如下步骤：

(31)利用基于Hessian矩阵的多尺度滤波方法对血管图像进行血管增强预处理；

(32)利用训练好的FCN全卷积神经网络得到的最优血管分割模型对预处理后的血管图像进行血管分割；

(33)利用zhang-suen细化算法对分割后的血管图像进行血管细化；

(34)使用卷积方法对血管细化后的血管图像中的所有像素点进行卷积操作，获得各特征点的位置，并将各特征点的位置信息存入二维矩阵中；

(35)将步骤(32)分割出来的血管图像的像素值存入二维矩阵中，分别以所述各特征点的位置为中心截取周围像素值，分别得到包含特征点的图像。