[0001] 本实用新型涉及生物组织光学血流成像技术领域，尤其涉及一种基于U‑net神经网络的血流成像装置。

[0002] 生物光学成像具有无创、分辨率高、携带方便、成本低等优点，在生物医学研究和临床诊断中有着广泛的应用。多用于生物组织结构成像、血流成像和功能成像并用于测量生物参数。

[0003] 现有的实现血流成像的技术方法，例如一种扫描暗场激光散斑血流成像方法及装置[CN105433906B]，该方法是通过利用空间区域化的点状或线状的激光束照射到生物的组织，沿着边缘对组织表面进行扫描，直至对整个待测区域都扫描一遍。并利用CMOS相机对待测区域连续采集N帧图像，然后通过计算获得所有像素对应的时间衬比值来成像，该方法虽然能实现血流成像，但由于该方法扫描式的成像，时间分辨率不够，很难实现实时监测。

[0004] 另外，例如一种基于成分分析的散斑血流成像方法和装置 [CN107485383A]，该方法对原始血流散斑信号进行成分分析,分离出血流光强信号和组织光强信号,计算出成像参量,并作为二维血流分布图的灰度值,建立样品的二维血流分布图，当采用低相干光做吸收成像时，该方法很难实现血流信息的提取。实用新型内容

[0005] 本实用新型的目的在于提出一种基于U‑net神经网络的血流成像方法及装置，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

[0006] 为解决上述技术问题所采用的技术方案：一种实现上述的基于 U‑net神经网络的血流成像方法的装置，包括：低相干光源、CMOS相机、远心镜头、待测样品和计算机，所述低相干光源和所述待测样品依次位于照明光路上；所述待测样品、所述CMOS相机和所述远心镜头依次位于成像光路上；所述计算机连接与所述CMOS连接，用于采集图像数据并基于U‑net神经网络进行训练预测实现对血流的造影成像。

[0007] 作为上述技术方案的进一步改进，所述低相干光源采用光纤耦合发光二极管光源。

[0008] 本实用新型的有益效果：本实用新型采用低相干光源提供光照，并利用CMOS相机对图像进行连续采集，然后将通过计算机基于U‑net 神经网络进行训练预测，实现对血流的造影成像，仅需要少张数原始图像就可以成像，提高了时间分辨率，同时对大小血管都能成像，成本低。

[0009] 本实用新型的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本实用新型的实践了解到。

[0016] 下面详细描述本实用新型的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本实用新型，而不能理解为对本实用新型的限制。

[0017] 在本实用新型的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本实用新型和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本实用新型的限制。

[0018] 在本实用新型的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

[0019] 本实用新型的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本实用新型中的具体含义。

[0020] 请参照图1，一种实现上述的基于U‑net神经网络的血流成像方法的装置，包括：低相干光源100、CMOS相机400、远心镜头300、待测样品200和计算机，所述低相干光源100和所述待测样品200依次位于照明光路上；所述待测样品200、所述CMOS相机400和所述远心镜头300依次位于成像光路上；所述计算机连接与所述CMOS连接，用于采集图像数据并基于U‑net神经网络进行训练预测实现对血流的造影成像。

[0021] 优选地，待测样品200采用3‑4日龄的鸡蛋胚胎。

[0022] 优选地，低相干光源100为定制的光纤耦合发光二极管光源的低相干光源，中心波长为450nm，宽带为20nm，提供光源照明。

[0023] 本实用新型采用低相干光源100提供光照，并利用CMOS相机400 对图像进行连续采集，然后将采集的图像利用U‑net神经网络进行训练，通过训练出来的网络模型对新的原始图像的各像素进行预测，并将其预测概率值作为二维血流分布图的灰度值进行图像重建，实现对血流的造影成像，仅需要少张数原始图像就可以成像，提高了时间分辨率，同时对大小血管都能成像，成本低。

[0024] 一种基于U‑net神经网络的血流成像方法，所述方法包括：

[0025] 步骤一、将低相干光源100射到待测样品200；通过远心镜头300 和CMOS相机400对待测样品200成像；

[0026] 步骤二、CMOS相机400将成像的光信号转化为电信号，再通过采集卡将采集到的原始图像传输到计算机；

[0027] 步骤三、取T(T≥4)张连续的采集到的原始图像，原始图像二维大小为line*pixel，通过三维数组转置操作转成pixel张line*T 大小的图像；新建一个图层，把原始图像中的血管位置标记为1，其他位置标记为0,得到pixel张二维line*T大小血管位置的标签图像；将标签图像与转置后的原始图像在U‑net神经网络中进行训练。

[0028] 神经网络训练指对人工神经网络训练。向网络输入足够多的样本，通过一定算法调整网的结构(主要是调节权值)，使网络的输出与预期值相符，这样的过程就是神经网络训练。

[0029] U‑net神经网络为深度学习图像分割神经网络。

[0030] 步骤四、训练完成，再取T张采集到的原始图像，原始图像二维大小为line*pixel，通过三维数组转置操作转成pixel张二维line*T 大小的图像，将图像输入到训练好的网络模型中进行预测并输出相同维度和大小的概率值数组。

[0031] 步骤五、将模型输出的pixel张line*T大小的预测图像转成T 张pixel*line大小的预测图像；并将每个对血流位置所预测的概率值沿T方向取平均值，最后得出一张pixel*line的概率分布图，以每个概率分布为灰度值的二维血流分布图，从而实现对血流的造影成像。

[0032] 请参照图2和图3，为采集到的原始图像，图4和图5分别为图 2和图3所对应的使用4张原始图进行基于U‑net神经网络训练及预测得到的血流造影图，图中的线为0.1mm。

[0033] 上面结合附图对本实用新型实施例作了详细说明，但是本实用新型不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本实用新型宗旨的前提下作出各种变化。