买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：电子科技大学成都学院;四川大学华西医院;成都博诚智医软件技术有限公司

摘要：本发明提供了一种体表静脉血管3D成像方法及系统，属于体表静脉血管3D成像技术领域，方法包括：向受检部位体表发射红外光；获取静脉血管红外特征图；对静脉血管红外特征图进行预处理滤波，并使用深度学习图像特征提取分割算法进行特征提取和滤波，得到体表静脉血管2D特征图；获取每段血管的延伸特征和粗细特征，进行三维重建，得到体表静脉血管3D模型；获取受检部位的3D模型；将体表静脉血管3D模型和受检部位的3D模型进行三维映射变为一个组合模型，并进行上色贴图、透明材质填充、渲染和可视化处理，得到受检部位体表静脉血管的3D成像图。本方法具有实时成像、3D成像、便于操作、结果可视化程度高的特点。

主权项：1.一种体表静脉血管3D成像方法，其特征在于，包括：向受检部位体表发射红外光；获取由受检部位体表反射的红外光得到的静脉血管红外特征图；对所述静脉血管红外特征图进行预处理滤波，并使用深度学习图像特征提取分割算法进行特征提取和滤波，得到体表静脉血管2D特征图；使用血管映射分析算法对所述体表静脉血管2D特征图进行处理，获取每段血管的延伸特征和粗细特征，进行三维重建，得到体表静脉血管3D模型；获取受检部位的3D模型；将体表静脉血管3D模型和受检部位的3D模型进行三维映射变为一个组合模型，并对组合模型的静脉血管部分进行上色贴图，对受检部位结构的部分进行透明材质填充，最后进行渲染和可视化处理，得到受检部位体表静脉血管的3D成像图；所述对所述静脉血管红外特征图进行预处理滤波，并使用深度学习图像特征提取分割算法进行特征提取和滤波，得到体表静脉血管2D特征图的具体过程如下：输入静脉血管红外特征图，使用一个3x3大小的卷积核在静脉血管红外特征图上沿着每个像素Z字形步进，步长为1，填充为0，计算每个像素周围的8个像素点与该像素的灰度值进行排序并取中位数作为输出图像该位置的像素灰度值；接着经过滤波的图像进入了U-Net的编码器，首先进行卷积操作，对图像的特征进行提取，卷积结构统一使用3x3的卷积核，k＝3，填充为p＝0，步长为s＝1，根据计算卷积层输出特征公式如下所示： 得到：nout＝nin-2；nout为卷积层输出，nin为卷积层输入，p为填充，k为卷积核尺寸，s为步长；经过卷积之后，使用ReLU作为激活函数对卷积输出进行非线性映射，ReLU函数为：fx＝maxx,0；每层经过2次卷积操作后，经过一个最大池化操作进入到编码器的下一层，各池化层的核大小均为k＝2，填充均为p＝0，步长均为s＝2，得到：nout＝nin2；进行5层的卷积和4次最大池化后，得到了32x22x1024的特征图，将该特征图送入U-Net解码器；通过U-Net解码器恢复特征图的原始尺寸，该过程由卷积、上采样和跳级结构组成，首先将特征图进行2x2上采样，公式为：nout＝snin-1-2p+k；得到64x44x512的特征图，对该特征图进行跳级连接操作，对应镜像层的特征图裁剪、与来自上层的特征图拼接在一起，形成通道数更多的特征，即与来自U-Net编码器第五层经过上采样的特征图拼接，生成尺寸为64x44x1024的特征图，对该特征图进行卷积再激活操作，如此往复操作4次，在第一层得到452x292x1的特征图，即得到体表静脉血管特征2D图；所述使用血管映射分析算法对所述体表静脉血管2D特征图进行处理，获取每段血管的延伸特征和粗细特征，进行三维重建，得到体表静脉血管3D模型的具体过程如下：使用Sobel滤波对体表静脉血管2D特征图进行边缘检测和提取，得到具有明显边缘的二值特征图；对所述二值特征图进行骨架化处理，并使用Zhang-Suen算法进行中轴线提取，得到静脉血管的中轴线图；将所述二值特征图和中轴线图进行图像重叠，得到中轴线映射图；基于中轴线映射图，在图上根据步长长度依次取采样点，并且获得该采样点距离静脉血管边缘的距离作为该点静脉血管的半径数据；基于所述中轴线图中的中轴线和半径数据重建3D模型，先将2D的中轴线根据其方向信息旋转和平移，从而在3D空间中确定每条静脉血管的位置，再根据2D的半径数据，将中轴线放样拉伸为管状结构，再将不同静脉血管对应的管状结构进行连接，得到体表静脉血管3D模型；所述使用Sobel滤波对体表静脉血管2D特征图进行边缘检测和提取，得到具有明显边缘的二值特征图的过程如下：通过两个3x3的Sobel算子对图像进行卷积操作，如下： 将特征图看做是二维函数，Sobel算子为图像在垂直和水平方向上变化的梯度，即Sobel算子为二维对象，二维对象的元素分别是横竖两个方向的函数一阶导数： 其中，gradI表示图像的梯度向量，包含水平方向和垂直方向的导数；表示图像在水平方向的一阶导数，即灰度值的变化率；表示图像在垂直方向的一阶导数；T表示向量的转置，将行向量转为列向量；Sobel算子在水平和垂直方向上做像素值的差分，得到图像梯度的近似值,将使用两个Sobel算子在原图上进行卷积获取边缘特征所得到的两个特征图进行组合，得到垂直和水平方向的综合结果，计算Sobel的范数，计算公式如下： 其中，|gradI|表示图像梯度的范数；计算水平和垂直方向上的梯度近似值，得到每个像素点的梯度大小和方向，对其进行二值化，得到具有明显边缘的二值特征图；所述对所述二值特征图进行骨架化处理，并使用Zhang-Suen算法进行中轴线提取，得到静脉血管的中轴线图的过程如下:基于所述二值特征图，将静脉血管的轮廓细化到一个像素宽度，使用Zhang-Suen算法进行中轴线提取，算法循环迭代时，遍历图像上不为0的像素，在对每个中心的待操作像素进行删除或保留的判断时，根据其周围的8个像素的值进行判断，Zhang-Suen算法的算子如下： 每次迭代经过两步运算,满足每个阶段的所有要求，以将待操作像素清零，阶段一的运算规则为：2≤BP1≤6AP1＝1P2×P4×P6＝0P4×P6×P8＝0；其中BP1代表着8个邻居中非零邻居的数量，AP1是指从P2到P8，0-1变化了几次；阶段二运算规则为：2≤BP1≤6AP1＝1P2×P4×P8＝0P2×P6×P8＝0；直到没有新的像素被删除，算法结束，得到能够描述受检部位体表静脉血管走向特征的中轴线，即得到静脉血管的中轴线图。

全文数据：

权利要求：

百度查询： 电子科技大学成都学院 四川大学华西医院 成都博诚智医软件技术有限公司 一种体表静脉血管3D成像方法及系统