[发明专利]一种舌下微循环视频序列生理参数估计方法及系统

权利要求书

1.一种舌下微循环视频序列生理参数估计方法，其特征在于，包括：

S100：获取待测的舌下微循环视频数据，并将其按照时序分解成舌下微循环图像序列；

S200：利用相关滤波算法迭代追踪舌下微循环图像序列中每一帧图像中的特征区域，并记录特征区域的偏移量，根据偏移量对每一帧图像进行移位，得到稳定化的舌下微循环视频数据；

S300：利用U-Net网络模型，对稳定化的舌下微循环视频数据中的第一帧图像进行血管分割，并将血管分割结果作为血管模板，提取舌下微循环图像序列中除第一帧图像以外的其他每一帧图像中的血管，根据整个舌下微循环图像序列的血管提取结果，获取血管视频数据；

S400：将血管视频数据划分为若干血管视频序列，再将每个血管视频序列等间隔划分视频块，训练CNN-LSTM神经网络模型，根据视频块中各帧之间的时序关联，将视频块按照血流速度进行分级，得到对应于每个流速等级的概率值，并取概率值最大的流速等级作为当前视频块流速等级；

S500：根据血管分割结果以及流速分级结果计算包括MFI、PPV在内的舌下微循环生理参数，以表征估计目标的微循环灌注状态。

2.如权利要求1所述的基于深度学习的舌下微循环视频序列生理参数估计方法，其特征在于，在所述步骤S200中，利用相关滤波算法迭代追踪舌下微循环图像序列中每一帧图像中的特征区域的方法包括：

S210：提取舌下微循环图像序列的第一帧图像，计算图像帧中每个像素周围若干邻域的信息熵，将信息熵最大的像素位置作为稳定核心，并以稳定核心为中心，得到记录偏移量的特征区域。

3.如权利要求2所述的基于深度学习的舌下微循环视频序列生理参数估计方法，其特征在于，在所述步骤S200中，记录特征区域的偏移量，根据偏移量对每一帧图像进行移位，得到稳定化的舌下微循环视频数据的方法包括：

S220：选取第i帧作为参考帧，第i+1帧作为目标帧，将所述参考帧中的特征区域作为追踪目标，利用相关滤波算法追踪所述目标帧中特征区域所在位置，记录目标帧中特征区域相对于参考帧中特征区域的偏移量；其中，i为正整数且i1；

S230：循环步骤S220，直至遍历完舌下微循环图像序列中所有的图像帧，将第一帧中特征区域的偏移量记为0，得到除第一帧外每一帧中特征区域的偏移量；

S240：根据偏移量调整各个图像帧的位置，使每一帧图像中特征区域的空间位置在时序上保持一致，得到稳定化的舌下微循环视频数据。

4.如权利要求1所述的基于深度学习的舌下微循环视频序列生理参数估计方法，其特征在于，在步骤S300中，利用U-Net网络模型之前还包括获取血管分割训练集训练所述U-Net神经网络；其方法包括：

S310：将舌下微循环视频数据分解成若干舌下微循环视频序列，提取每个舌下微循环视频序列的第一帧作为训练图像帧，将训练图像帧的尺寸进行图像归一化，将训练图像帧中的微循环血管区域作为训练标签，生成若干张带有标签信息的血管分割训练集；

S320：对带有标签信息的血管分割训练集中的图像帧进行分块处理，将每张带有标签信息的图像帧划分为若干个图像块，通过划分图像块扩增血管分割训练集。

5.如权利要求4所述的基于深度学习的舌下微循环视频序列生理参数估计方法，其特征在于，在所述步骤S300中训练所述U-Net神经网络之前还包括：

S330：构建U-Net神经网络，通过训练扩增后的血管分割训练集生成U-Net网络模型；

所述U-Net神经网络包括1个输入层、3个下采样层、3个上采样层和1个输出层；所述输入层包括2个卷积层，用于接收输入图像并初步提取输入图像特征；所述下采样层包括1个最大池化层和2个卷积层，用于对输入特征进行编码，去除冗余信息，并保留关键信息；所述上采样层包括1个转置卷积层和2个卷积层，用于对编码特征进行解码，从编码特征中恢复出有效信息；所述输出层由1个卷积层组成，用于输出血管分割结果；

所述输入层、所述上采样层和所述下采样层中的每个卷积层后面均设有采用ReLU作为激活函数的激活层、以及采用批标准化操作的标准化层；通过所述激活层对数据进行非线性变换；通过所述标准化层防止模型过拟合，并增强鲁棒性。