[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

说明书

本发明公开了一种基于迁移学习的血管图像中特征点的分类识别方法，包括血管图像模拟训练和血管图像类型识别两部分；在血管图像模拟训练中通过制作特征点数据集，并利用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，在血管图像类型识别中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拟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的类型。本发明利用分类模型能准确快速的识别血管图像中特征点是分叉点还是交叉点，解决了现有方法存在的步骤繁杂、准确性和效率低的问题，对临床医学有莫大的帮助作用。

技术领域

本发明涉及迁移学习与图像处理的技术领域，具体涉及一种基于迁移学习的血管图像中特征点的分类识别方法。

背景技术

医学图像处理是随着计算机技术的发展和成熟以及临床诊断技术的进步而迅速发展起来的一门新兴学科与技术，如今医学图像处理技术在临床上的应用越来越广泛。同时，由于全球财富日益增长和老龄化，所有影响血管网络的全身性疾病变得越来越普遍，如年龄相关性黄斑变性、糖尿病性视网膜病变、青光眼、高血压，动脉硬化和多发性硬化糖等。而眼底图像常用于诊断这些病理,血管系统在分叉和交叉处的几何特性，如交叉角度、血管宽度、分叉不对称性和分支角度的改变等都是不健康血管的指标，究其原因是由于几种疾病如视网膜分支静脉阻塞，糖尿病性视网膜病变和阿尔茨海默病导致的。在这些情况下，分叉点和交叉点(一起被称为特征点)都是衡量血管系统健康的关键的标志。因为疾病会导致分叉和交叉点形状的改变，而如果要使用交叉点的诊断信息，那么首先要识别并分类它们。研究分叉交叉点的识别和分类在临床医学上有很大的意义，因为它可以展示由于年龄或者疾病导致的形态变异。同时分支交叉等特征点是预测心血管疾病、图像分析、图像拼接和生物学应用(例如基于视网膜血管的身份识别)的重要特征点。所构成的网点结构，可以预报和诊断诸如血管阻塞、高血压和糖尿病等疾病的发生及其程度。而对于血管分级领域，由于分级的依据是分叉的级数，所以分支分叉点的检测和分类是对于分级来讲是至关重要的。因此，对血管图像中特征点的识别和分类在临床诊疗中越来越被重视，血管的检查对这些疾病的早期识别和预防至关重要。

在图像配准方面，分叉点和交叉点作为特征向量用来匹配相应的图像。图像配准是指依据一些相似性度量决定图像间的变换参数,使从不同传感器、不同视角、不同时间获取的同一场景的两幅或多幅图像,变换到同一坐标系下,在像素层上得到最佳匹配的过程。它是图像融合、目标识别、目标变化检测、计算机视觉等问题中的一个重要前期步骤,在军事、遥感、医学等领域有着广泛地应用。其中用于配准的关键特征点之一就是分叉交叉点，将分叉交叉点构成的网络进行匹配是图像配准的一个关键步骤。所以，特征点的提取在图像配准方面亦是非常重要的操作。

当今，临床上进行血管图像中特征点的识别主要基于骨架，基于骨架的方法的缺点是它们对血管分割不准确性非常敏感。因为骨架获取过程的产生的错误将直接导致特征点检测出错。过去，基于骨架的操作先是对图像二值化和细化处理，然后通过对整幅图像进行扫描搜索目标像素的连接数，如果连接数为3或者4时即为节点。当连接数为3时为分叉点，连接数为4时为交叉点。这些方法不仅对噪声和血管宽度的轻微波动比较敏感，而且往往在同一个节点位置检测出过多的伪节点，并且当交叉角为钝角即两个血管相交部分重叠比较多时，很容易将一个交叉点判定为两个分叉点，因此，过去对特征点识别及分类的方法存在步骤繁杂、准确性和效率低的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于迁移学习的血管图像中特征点的分类识别方法，该方法通过制作特征点数据集，并利用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，利用分类模型能准确快速的识别血管图像中特征点是分叉点还是交叉点。

为实现上述发明目的，本发明一种基于迁移学习的血管图像中特征点的分类识别方法，包括血管图像的模型训练和血管图像的特征点类型识别两部分，具体为：

血管图像模型训练：