论文部分内容阅读
血管分割与识别技术在临床上具有重要意义,可辅助医务人员快速地确定血管类型、形状等参数,以便更准确地诊断和治疗疾病。实现血管分割与识别的基础是依赖于医学成像设备的血管图像的获取,与当前成像设备相比较而言,超声成像具有安全性高、操作简便等优势,因此本论文选择超声血管图像为实验对象。基于血管分割与识别技术的发展趋势,结合超声成像技术的优势,本论文设计了一个基于SSD(Single Shot MultiBox Detector)与种子区域生长(Seeded Region Growing,SRG)的组合和全卷积神经网络(Fully Convolutional Networks,FCN)两种方法的超声血管图像分割与识别软件,并针对软件的基础功能模块和涉及的算法模型展开研究,为获取血管相关参数奠定了基础。首先,根据第三方提供的MicrUs EXT-1H超声模块,结合需求分析说明,本论文基于SSD与SRG的组合和FCN两种方法提出超声血管图像分割与识别软件的整体设计方案,并对软件的基础功能模块和算法模型设计进行详细描述。其次,因血管图像处理的前提是图像的获取,基于这一需求,使用MFC创建对话框程序,并通过编码实现超声图像的显示、状态调整、参数调整等基础功能模块的设计,从而完成血管图像采集的目标。再次,基于caffe框架,对官方提供的SSD_Mobile Net模型和FCN-8s模型进行迁移学习,并采用SRG算法针对SSD_Mobile Net模型处理后的结果作进一步分割处理。然后,通过100幅超声血管图像的mAP(mean Average Precision)和FPS(Frames Per Second)的计算值对SSD_Mobile Net检测效果进行评价,并随机选择特征不同的50幅超声血管图像、采用差异实验法对FCN-8s和SRG算法的分割效果进行对比分析。最后,在OpenCV开发环境下,将SSD_Mobile Net模型和FCN-8s模型从Ubuntu系统跨平台移植到Windows系统上,从而完成算法模型与软件基础功能模块的融合,以此实现血管分割与识别软件的设计;并根据软件测试原则,编写测试用例,完成对软件功能和性能的测试。测试结果表明,本论文提出的分割识别算法具有较高的精度,设计的软件功能正常,现实可用。其中,SSD_Mobile Net模型检测识别准确率高达83.7957,检测速度为25.2262FPS、可达到实时性的目标;FCN-8s模型的分割精度远高于SRG算法的精度,因此选择SSD_Mobile Net作为血管检测识别算法,FCN-8s作为血管分割识别算法,并在软件中对二者进行结合,能够更好地辅助医生根据实际需求选择不同的算法功能。