首页 / 专利库 / 信号处理 / 加窗 / 一种基于微血流成像衬比算法的血流速度监测方法

一种基于微血流成像衬比算法的血流速度监测方法

阅读:493发布:2024-02-20

专利汇可以提供一种基于微血流成像衬比算法的血流速度监测方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于微血流成像衬比 算法 的血流速度监测方法,包括如下步骤:(1)采集原始激光散斑图像;(2)对原始激光散斑图像用线性算子计算传统时间衬比K值并获得最小的空间衬比K值的方向;(3)再根据方向获得高斯模板的旋转矩阵,获得相应的高斯卷积模板;(4)与原始激光散斑图像卷积获得 各向异性 K值,提取微血管区域,利用脑血流的方向特异性获得微血管流速图。本发明在激光功率不强时对于微血管能呈现较好的血流信息;在采用相同曝光时间、增益以及采集 帧 数和 频率 相同时,能保持较清晰血管信息的时候呈现脑血流流速;可以更加精确地表示微血管血流流速。,下面是一种基于微血流成像衬比算法的血流速度监测方法专利的具体信息内容。

1.一种基于微血流成像衬比算法的血流速度监测方法,其特征在于:包括如下步骤:
(1)采集原始激光散斑图像;
(2)对原始激光散斑图像用线性算子计算传统时间衬比K值并获得最小的空间衬比K值的方向;
(3)再根据方向获得高斯模板的旋转矩阵,获得相应的高斯卷积模板;
(4)与原始激光散斑图像卷积获得各向异性K值,提取微血管区域,利用脑血流的方向特异性获得微血管流速图。
2.根据权利要求1所述的基于微血流成像衬比算法的血流速度监测方法,其特征在于:
所述步骤(1)中原始激光散斑图像获取方法为:搭建激光散斑光路系统,将激光束照射在被测物体上,获取原始激光散斑图像。
3.根据权利要求1所述的基于微血流成像衬比算法的血流速度监测方法,其特征在于:
所述步骤(2)中K值采用时间卷积方法计算,其中可选图片30,计算公式如下:
上式中,σ为原始图片标准差,为原始图片的平均值。
4.根据权利要求1所述的基于微血流成像衬比算法的血流速度监测方法,其特征在于:
所述步骤(2)最小的空间衬比K值的方向计算公式如下:
上式中,KP(i,j)表示沿着目标像素点P(i0,j0)沿着线性算子方向计算下的时间卷积k值,P(i,j)指以图像中P(i0,j0)为中心点的不同线性方向上的像素点,δ指线性方向上的距P(i0,j0)的距离,这里取值小于5,D(i,j)为时间卷积K值的累加,比较不同的D(i,j),获得K值最优方向。
5.根据权利要求1所述的基于微血流成像衬比算法的血流速度监测方法,其特征在于:
所述步骤(3)中高斯模板匹配血管图像,采用高斯核函数计算血流流速,高斯核函数公式如下:
上式中,高斯函数关于原点[0,0]对称,Wi(xi,yi)为高斯模板中的高斯核值,σ为血管横截面灰度,考虑散斑图像离散性,在固定范围内取值为1,非固定范围不计算,L为沿着血管分割方向的固定长度,L增大,血管的平滑效果增强,噪声降低,xi,yi分别为高斯模板中各点的坐标值。
6.根据权利要求5所述的基于微血流成像衬比算法的血流速度监测方法,其特征在于:
所述高斯核值的加权值计算如下式:
上式中, 为无加权值的高斯核值,σ为血管横截面灰度,考虑散斑图像特殊性,在固定范围内取值为1,L为沿着血管分割方向的固定长度,xi,yi分别为高斯模板中各点的坐标值,mi(xi,yi)为高斯核值的加权值。
7.根据权利要求6所述的基于微血流成像衬比算法的血流速度监测方法,其特征在于:
所述高斯核值的加权值通过下式计算得到加权后的高斯核值:
Wi(xi,yi)=Wi(xi,yi)·mi(xi,yi)
该计算公式基于激光散斑值是标准差与均值卷积窗的的比值,且平衡了加权值,其中mi(xi,yi)指高斯模板的核值的加权值,将确定好方向的有权高斯核模板与原始图像卷积,获得最终需要的微血管流速图,Wi(xi,yi)为高斯模板中的高斯核值,Wi(xi,yi)为加权后的高斯核值。
8.根据权利要求1所述的基于微血流成像衬比算法的血流速度监测方法,其特征在于:
所述步骤(3)高斯模板的旋转矩阵ri计算如下式,这里将首个方向定义为y轴,其后沿着顺时针旋转;
上式中,θi是高斯核的旋转方向。

说明书全文

一种基于微血流成像衬比算法的血流速度监测方法

技术领域

[0001] 本发明涉及血流速度的监测方法,特别涉及一种基于微血流成像衬比算法的血流速度监测方法。

背景技术

[0002] 血流速度是生命活动过程中非常重要的功能代谢参数之一。动态监测血流速度的时空变化对于研究生物组织生理变化过程,功能活动及药效评价等具有重大意义。
[0003] 目前血流激光散斑成像算法中,通常基于空间或者时间卷积算法分析,都是各向同行算法,从未考虑过血流成像的特殊性,不能够精确地表示出微血管血流流速。也没有专的基于高斯核的各向异性激光散斑微血流成像衬比算法,用于血流流速的监测。

发明内容

[0004] 发明目的:本发明目的是提供可以精确地表示微血管血流流速的基于微血流成像衬比算法的血流速度监测方法。
[0005] 技术方案:本发明提供一种基于微血流成像衬比算法的血流速度监测方法,包括如下步骤:
[0006] (1)采集原始激光散斑图像,原始散斑图像指的是激光照射在小动物脑表面时,CCD相机会接收到强度随机分布的颗粒状图像,即图4(A)以及图3(A);
[0007] (2)对原始激光散斑图像用线性算子计算传统时间衬比K值并获得最小的空间衬比K值的方向;
[0008] (3)再根据方向获得高斯模板的旋转矩阵,获得相应的高斯卷积模板;
[0009] (4)与原始激光散斑图像卷积获得各向异性K值,提取微血管区域,利用脑血流的方向特异性获得微血管流速图。
[0010] 进一步地,所述步骤(1)中原始激光散斑图像获取方法为:搭建激光散斑光路系统,将激光束照射在被测物体上,获取原始激光散斑图像。
[0011] 所述激光散斑光路系统包括HeNe激光器准直镜,扩束镜,反光镜,立体显微镜,CCD相机,计算机。激光经由准直镜、扩束镜、反光镜形成均匀圆形光斑打到样本表面,再经立体显微镜放大后摄入CCD相机最后经由本发明算法成像到软件界面。
[0012] 进一步地,所述步骤(2)中K值采用时间卷积方法计算,其中可选图片30 ,计算公式如下:
[0013]
[0014] 上式中,σ为原始图片标准差,为原始图片的平均值。
[0015] 进一步地,所述步骤(2)最小的空间衬比K值的方向计算公式如下式和图 5:
[0016]
[0017] 上式中,KP(i,j)表示沿着目标像素点P(i0,j0)沿着线性算子方向计算下的时间卷积k值,P(i,j)指以图像中P(i0,j0)为中心点的不同线性方向上的像素点,δ指线性方向上的距P(i0,j0)的距离,这里取值小于5,D(i,j)指时间卷积K值的累加,比较不同的D(i,j),获得K值最优方向。
[0018] 进一步地,所述步骤(3)中高斯模板匹配血管图像,采用高斯核函数计算血流流速,高斯核函数公式如下:
[0019]
[0020] 上式中,高斯函数关于原点[0,0]对称,Wi(xi,yi)指高斯模板中的高斯核值,σ指的是血管横截面灰度,考虑散斑图像离散性,在固定范围内取值为1,非固定范围不计算,L为沿着血管分割方向的固定长度,L增大,血管的平滑效果增强,噪声降低,但是对于小动物脑部毛细微血管,血管可能只在很短的一段长度内符合方向,因此选择较大的值反而结果并不好。xi,yi分别为高斯模板中各点的坐标值。
[0021] 进一步地,所述步骤(3)高斯模板的旋转矩阵ri计算如下式,这里将首个方向定义为y轴,其后沿着顺时针旋转;
[0022]
[0023] 上式中,θi是高斯核的旋转方向。根据公式(2)中计算得到的最小方向,可以确定θi的方向,再将旋转矩阵与高斯核的权值结合,在与原始图像卷积求K 值。
[0024] 进一步地,所述高斯核值的加权值计算如下式:
[0025]
[0026] 上式中, 指的是无加权值的高斯核窗,σ指的是血管横截面灰度,考虑散斑图像特殊性,在固定范围内取值为1,L为沿着血管分割方向的固定长度,xi,yi分别为高斯模板中各点的坐标值。
[0027] 进一步地,所述加权后的高斯核值计算如下式,该计算公式基于激光散斑值是标准差与均值卷积窗的的比值,且平衡了加权值:
[0028] W′i(xi,yi)=Wi(xi,yi)·mi(xi,yi)   (6)
[0029] Wi(xi,yi)指高斯模板中的高斯核值,mi(xi,yi)指高斯模板的核的加权值,将确定好方向的有权高斯核模板与原始图像卷积,获得最终需要的微血管流速图。
[0030] 由于具有无需荧光染剂,快速成像等优点,激光散斑成像技术非常适用于微循环血流的测量。使用激光散斑技术可以测量血管管径,血管密度,血液流速和血流灌注量等微循环参数,结合血压、血气等生理监测仪器,可以用来研究血液、淋巴液及组织液的流变学特性。通过考察微循环血管的结构,微循环功能以及代谢活动,可以研究炎症肿、出血、过敏、休克、肿瘤、烧伤、冻伤、放射损伤等基本病理过程中微循环改变的规律及其病理机制。将其与各向异性对血管方向的特异性相结合,可以提高血管与背景间的对比度,特别对于小动物脑部毛细微血管成像,具有显著提高效果,并且血管具有带状区域的边缘灰度渐变特性,利用动态加权高斯核的,可以更好的卷积出血管形状信息,能够更加精确表示出脑部微血管血流流速。
[0031] 有益效果:本发明相较于各向同性的激光散斑算法,在激光功率不强时对于微血管能呈现较好的血流信息;在采用相同曝光时间、增益以及采集帧数和频率相同时,能保持较清晰血管信息的时候呈现脑血流流速;本发明对于扩散性皮层抑制或者脑微血管出血等脑部血流疾病有较好的成像效果,相较于时空卷积的方法,可以提高空间分辨且降低噪声;可以更加精确地表示微血管血流流速。
附图说明
[0032] 图1是本发明的流程图
[0033] 图2是本发明激光散斑系统光路图;
[0034] 图3是发明的仿真验证结果图;
[0035] 图4是本发明应用于小鼠脑血管效果图;
[0036] 图5是最小的空间衬比K值的方向计算结果,其中图A线性算子为15度的12个方向,图B 15度,30度,60度,75度线性方向上的近似模板示意图;
[0037] 图6是图像像素为1024-2048之间,5×5的空间尺寸示意图。

具体实施方式

[0038] 如图1所示,首先获取原始散斑图像,然后使用线性算子计算传统时间衬比K值并获得最小的空间衬比K值的方向θi;再根据方向计算获得高斯模板的旋转矩阵,获得相应的高斯卷积模板及高斯加权核;与原始图像卷积获得各向异性K值,提取微血管区域,利用脑血流的方向特异性获得微血流的衬比值。
[0039] 使用时间卷积方法计算K值,其中可选图片30帧,K值计算方式如下式:
[0040]
[0041] 上式中,σ为原始图片标准差,为原始图片的平均值。
[0042] 计算不同线性方向的K值,其中线性算子以15°旋转,共有12个方向,计算最小的K值。如下式和图5:
[0043]
[0044] 上式中,KP(i,j)表示沿着目标像素点P(i0,j0)沿着线性算子方向计算下的时间卷积k值,P(i,j)指以图像中P(i0,j0)为中心点的不同线性方向上的像素点,δ指线性方向上的距P(i0,j0)的距离,这里取值小于5,D(i,j)指时间卷积K值的累加,比较不同的D(i,j),获得K值最优方向。
[0045] 通常在医学影像中,血光截面往往是高斯分布的,因此,在激光散斑算法中,采用高斯模板匹配血管图像,可以获得更好的血流信息,如下式:
[0046]
[0047] 上式中,高斯函数关于原点[0,0]对称,Wi(xi,yi)指高斯模板中的高斯核值,σ指的是血管横截面灰度,考虑散斑图像离散性,在固定范围内取值为1,非固定范围不计算,L为沿着血管分割方向的固定长度,L增大,血管的平滑效果增强,噪声降低,但是对于小动物脑部毛细微血管,血管可能只在很短的一段长度内符合方向,因此选择较大的值反而结果并不好。xi,yi分别为高斯模板中各点的坐标值。
[0048] 高斯核函数的旋转矩阵定义如下,这里将首个方向定义为y轴,其后沿着顺时针旋转,如下式;
[0049]
[0050] 这里θi是高斯核的旋转方向,根据公式(2)中计算得到的最小方向,可以确定θi的方向,再将旋转矩阵与高斯核的权值结合,在与原始图像卷积求K值。
[0051] 高斯核函数曲线的长度是无限延长的,因此在进行卷积匹配中,可以舍弃距离中心较远的点,通过实验验证,如果图像像素小于1024,可以选择3×3的空间尺寸,如果图像像素为1024-2048之间,可以选择5×5的空间尺寸,如图6。
[0052] 高斯核中的权值计算公式为
[0053]
[0054] 上式中, 为无加权值的高斯核值,σ为血管横截面灰度,考虑散斑图像特殊性,在固定范围内取值为1,L为沿着血管分割方向的固定长度, xi,yi分别为高斯模板中各点的坐标值。
[0055] 此外,Wi(xi,yi)指的是无加权值的高斯核窗,但是考虑到激光散斑值是标准差与均值卷积窗的的比值,所以这里需要平衡加权值,因此这里W′i(xi,yi)是最终模板的加权公式如下,
[0056] W′i(xi,yi)=Wi(xi,yi)·mi(xi,yi)
[0057] (6)
[0058] Wi(xi,yi)指高斯模板中的高斯核值,mi(xi,yi)指高斯模板的核的加权值,将确定好方向的有权高斯核模板与原始图像卷积,获得最终需要的微血管流速图。
[0059] 如图2所示是本发明的实施例所提供的一种基于各向异性激光散斑的微血流成像衬比算法的激光散斑系统光路图,其中1为激光器,2为准直镜,3为扩束镜,4为反光镜,5为立体显微镜,6为CCD相机,7为计算机。
[0060] 如图3所示是本发明的实施例所提供一种基于各向异性激光散斑的微血流成像衬比算法的仿真验证结果。使用了仿真图验证这一算法的可靠性,基于该算法获得的结果图,对比度相较空间或者时间卷积算法明显更高,且在假定血管区域的流速更加均匀。其中A仿真散射物体表面,暗色区域是血管,灰色区域是组织;B空间卷积算法K值图;C时间卷积算法K值图;D高斯核卷积算法 K值图。
[0061] 如图4所示是本发明的实施例所提供的一种基于各向异性激光散斑的微血流成像衬比算法应用于小鼠脑血管效果。小鼠脑血管如图所示,视野约为2.5× 2.5mm,每个原始散斑图像为1024×1024像素,图像分辨率为4.88μm,结果表明在低流速条件下,该算法对微血管的分辨性更高。其中A动物脑微血管图; B时间卷积算法K值图;C空间卷积算法K值图;D高斯核卷积算法K值图。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈