[发明专利]一种甲襞微循环图像的拼接方法及装置

说明书

本发明公开了一种甲襞微循环图像的拼接方法及装置，首先通过对甲襞微循环图像的分割和标注，生成像素级的标签，在以该标签对语义分割网络进行训练，最后通过训练好的语义分割网络实现对分割状态下微循环图像的拼接，得到甲襞微循环全区图像。解决了局部的微循环观测难以定位到全区具体位置中的问题，消除人为拼接图像带来的误差，提升甲襞图像处理水平。

技术领域

本发明涉及一种医学图像处理技术领域，特别涉及一种甲襞微循环图像的拼接方法及装置。

背景技术

微循环是指微动脉与微静脉之间的血液循环，即毛细血管中的血液循环，甲襞是覆盖在指甲根部的皮肤褶皱，甲襞微循环系统作为人体的重要循环系统，直接参与细胞和组织内能量、信息、物质的传递，通过对甲襞微循环系统的血管颜色、血管形状以及血流充盈情况的研究，不仅可以辅助周围血管病变、高血压、冠心病等疾病的诊断，而且可以使医患双方更加了解微循环的血流状态，对于疾病的机理研究以及分析已有血管性疾病和根据循环状态预防即将发生的疾病有十分重要的意义。

现有的甲襞微循环检测仪在对血管状态进行检测时，只能对微观甲襞微循环图像检测进行呈现，不能匹配到对应原位置的宏观甲襞微循环图像，且所拍摄图像无位置标注，并不能反应图像所代表的甲周具体区域,从而实现完整的拼接。

发明内容

本发明的目的在于克服现有技术中对甲襞微循环进行检测时，检测图像不能匹配到对应原位置的全区图像，不能反应图像具体区域的问题，提供一种甲襞微循环图像的拼接方法及装置。

为了实现上述发明目的，本发明提供了以下技术方案：

一种甲襞微循环图像拼接方法，包括以下步骤：

S1：拍摄全区甲襞微循环图像，将所述全区甲襞微循环图像划分为N块第一子区域，其中，N是大于1的自然数；

S2：二次拍摄第一子区域的微观甲襞微循环图像，并预设为第一分割模型；

S3：基于深度神经网络模型对所述全区甲襞微循环图像依据所述第一分割模型进行分割和标记，得到第二子区域；

S4：提取第二子区域的图像特征，并基于Hessian矩阵检测所述图像特征，建立第一子区域与第二子区域之间的几何对应关系，再依据所述图像特征与所述第二子区域进行比对，标注出N个第二子区域；

S5：基于机器学习接收通过分割和标注的所述第二子区域，根据图像关联的像素数据进行图像处理，输出像素数据计算激活图；

S6：基于所述像素数据计算激活图训练语义分割网络；

S7：利用训练好的语义分割网络对所述第二子区域与所述第一子区域进行相关性匹配，完成甲襞微循环图像拼接。

优选地，步骤S3具体如下：

S31、利用深度神经网络模型对所述全区甲襞微循环图像进行第一次分割，得到第一图像分割概率；

S32、通过阈值函数基于第一图像分割概率得到第一图像分割标记；

S33、利用深度神经网络模型对分割后全区甲襞微循环图像再次分割，得到第二图像分割概率；

S34、通过阈值函数基于第二图像分割概率得到第二图像分割标记；

S35、根据所述第一图像分割率和所述第二图像分割概率，确定蒸馏损失函数，根据所述第一图像分割标记和所述第二图像分割标记，确定第一分割损失函数；

S36、根据所述蒸馏损失函数和所述第一分割损失函数，得出第二分割模型；

S37、将所述全区甲襞微循环图像输入第二分割模型，得到第三图像分割标记；

S38、根据所述第三图像分割标记对第二次分割后全区甲襞微循环图像进行分割，得到所述第二子区域图像。

优选地，步骤S34中，所述阈值函数公式为：

，